Sep, 2023

双域引导的实时超高清交通监控低光照图像增强

PDF
TL;DR提出了一种用于超高清晰度交通监控的双域引导实时低光图像增强网络（DDNet），通过编码器 - 解码器结构将增强处理分为两个子任务（即颜色增强和梯度增强），实现了对颜色和边缘特征的同时增强，能够提高在低光环境下转运监控的图像处理效率和质量，并通过标准和与交通相关的数据集的评估实验证明了该方法相对于现有方法在增强质量和效率方面的优势，并在物体检测和场景分割实验中展示了在低光环境中进行高级图像分析的实际效益。
real-time transportation surveillancelow-light image enhancementencoder-decoder structureultra-high-definition transportation surveillanceobject detection
发现论文，激发创造
  • DADFNet：双注意与双频率引导除雾网络，用于视频驱动的智能交通

    该研究提出了一种双重关注和双频引导去雾网络（称为 DADFNet）用于实时视野增强，以改善交通管理系统中受恶劣天气影响的图像检测精度。

    Apr, 2023

  • 双重降级启发的深度展开网络用于低光图像增强

    基于深度展开网络的双重退化启发的低光图像增强模型，通过构建双重退化模型来显式模拟低光图像的恶化机制，学习两个不同的图像先验，并通过局部和远程信息建模模块和空间聚合模块增强图像的表示能力。

    Aug, 2023

  • 水下物体检测的门控跨域协作网络

    提出了 GCC-Net 方法，该方法通过融合纯净图像和增强后的图像，利用跨域合作的特征交互模块来改进水下物体检测的可见性。实验结果表明该方法在四个水下数据集上取得了最先进的性能。

    Jun, 2023

  • 低光遥感图像增强的空域频率二重域特征融合网络

    提出了一种用于低光遥感图像增强的双域特征融合网络 (DFFN)，通过将振幅信息与相位信息分别学习来实现低光增强任务，同时通过信息融合亲和块在不同阶段和尺度上组合不同的数据，通过广泛的评估，证明该方法优于现有最先进方法。

    Apr, 2024

  • LLNet: 自然低光图像增强的深度自编码器方法

    在低光环境下，提出用基于深度自编码器的方法来增强和去噪图像以及适应动态环境，该方法可以在监视、监测和战术侦察等领域有很好的应用效果。

    Nov, 2015

  • 用于实时准确地对道路场景进行语义分割的深度双分辨率网络

    提出了一组高效的卷积神经网络骨干架构，通过双分辨率融合和深度上下文聚合金字塔池化模块，实现了在 Cityscapes 和 CamVid 数据集上的优于现有模型的精度和速度的实时语义分割。

    Jan, 2021

  • 带有大规模低光模拟数据集的注意力引导低光图像增强

    本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法，利用合成的低光模拟数据构建数据集，通过使用两个注意力图指导亮度增强和降噪任务，并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强，该方法在多个数据集上表现优异，比当前最先进的方法有更好的定量和视觉效果。

    Aug, 2019

  • 夜间监控的解耦对比图像转换

    本文提出了一种名为 DiCo 学习方法的算法，通过可学习的物理先验即颜色不变性和利用对比学习将监控场景分为前景和背景，从而实现了对夜间监控场景进行高保真度翻译，同时也贡献了一个名为 NightSuR 的监控数据集。

    Jul, 2023

  • HDNet：用于光谱压缩成像的高分辨率双域学习

    本文提出了一个高分辨率双域学习网络（HDNet）用于高光谱图像的重建，该网络采用像素级精细特征和频率级细化来提高感知质量，在模拟和真实数据集中取得了最优结果。

    Mar, 2022

  • 学习深度上下文感知分解以实现低光照图像增强

    本研究提出了一种基于深度学习技术的具有场景上下文依赖关系的分解网络结构，能够有效增强低光照条件下的图像质量，在各种图像处理和多媒体应用中具有较强的实际应用价值。

    Dec, 2021