Dec, 2023

多尺度注意力变换器与亮度一致性损失的非均匀低光图像增强方法

PDF
TL;DR提出了一种多尺度注意力变换器 (MSATr) 的非监督学习方法，以改善低光照下图像的质量，提取局部和全局特征来改善视觉效果，并通过多尺度窗口划分方案、全局变换器分支和循环训练策略来解决亮度不一致的问题。实验证明该方法优于现有的低光照图像增强方法。
low-light image enhancementunsupervised learningmulti-scale attention transformerfeature interactionloop training strategy
发现论文，激发创造
  • 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

  • 无畏光亮度适应：一种用于曝光校正的宏观 - 微观 - 分层变压器

    通过使用 Macro-Micro-Hierarchical transformer 来处理曝光问题，该方法结合了宏观和微观的特征提取并具有层次结构，通过对不同尺度的误差逐层修正，同时使用对比度约束来提高图像质量，从而在曝光修正以及图像增强方面取得了优于现有方法的结果。

    Sep, 2023

  • 具有增强自注意力的轻量级视觉 Transformer

    本研究提出了 Lite Vision Transformer（LVT），一种新型的轻量级 transformer 网络，其中包含两种增强自注意力机制，以提高模型在移动部署中的性能表现，并在 ImageNet 识别、ADE20K 语义分割和 COCO 全景分割中具有优越性能。

    Dec, 2021

  • 基于注意力机制的低光图像增强网络

    本文提出了一种基于关注机制的神经网络方法，通过通道关注和空间关注模块抑制色差和噪点，以及使用倒置洗牌池化层选择有用信息，实现从原始传感器数据生成高质量的低光图像增强，表现优异，特别是在低光条件下存在严重噪声时。

    May, 2020

  • 超高清低光图像增强：基准及基于 Transformer 的方法

    介绍了一种基于 Transformer 的低光图像增强方法，通过大规模数据库的系统基准测试，证明该方法优于现有算法，并提出利用该算法作为前处理步骤可以显著提高低光条件下的面部检测性能。

    Dec, 2022

  • 125 FPS 下约 8K 参数的 4K 分辨率照片曝光校正

    通过使用非常轻量级（仅有约 8K 个参数）的多尺度线性变换（MSLT）网络，我们提出了一种能够以每秒 125 帧比特率处理 4K 分辨率 sRGB 图像的照明校正方法，该方法能够有效降低参数量和计算复杂度。

    Nov, 2023

  • ECAFormer：低光图像增强基于交叉注意力

    通过 Hierarchical Mutual Enhancement via Cross-Attention transformer (ECAFormer) 使用 Dual Multi-head Self Attention (DMSA) 提高细节保留，实现低光图像增强，优化计算复杂性和参数数量，提高了照明增强和降噪性能。

    Jun, 2024

  • 快速、灵活、稳健的低光图像增强

    本文提出一种新的自校准照明（SCI）学习框架，用于在低光环境下快速，灵活和准确地增强图像，通过耦合权值共享的级联照明学习过程来实现此任务，从而极大地减少计算成本，提高模型适用性。

    Apr, 2022

  • 基于光照感知伽马校正和完整图像建模网络的低光照图像增强

    本文提出了一种新颖的网络结构，利用感知偏差照明方式和完整图像建模来解决低光照图像增强问题。通过将伽马校正的有效性与深度网络的强建模能力相结合，我们能够粗到细地自适应地感知偏离的照明来学习校正因子伽马。通过使用泰勒级数近似伽马校正，加速了训练和推理速度。我们提出了一种新颖的变压器块，通过本地到全局的层次化注意机制完全模拟跨图像像素的依赖关系，从而以高度有效的方式从具有很好信息的区域推断出暗区。在几个基准数据集上的广泛实验表明，我们的方法优于现有方法。

    Aug, 2023

  • 本地 - 全局变压器增强展开网络用于全色锐化

    本文报道了一种名为 LGTEUN 的可解释深度学习网络来提高低分辨率多光谱图像。该网络基于迭代算法，并使用 Local-Global Transformer 模块来同时建模局部和全局依赖关系，从而提高图像的分辨率和降噪水平。实验结果表明，LGTEUN 相对于现有的方法具有更高的效果和效率。

    Apr, 2023