基于图像自适应可学习模块的低光图像识别性能改善
本文提出了一种基于物理光照模型的图像增强方法,以便在低光照图像中便于显着物体检测,并使用 Non-Local-Block 层来捕捉物体与其邻域的差异,最终在 4 个公共数据集和自己构建的数据集中取得了有前景的结果。
Jul, 2020
本研究提出了一种生物启发的方法来处理光相关的图像增强任务,使用统一的网络(称为 LA-Net)并设计了一个基于频率的分解模块来实现统一的光适应,同时在高频通道中实现了噪声抑制或细节增强。对低光增强、曝光校正和色调映射这三个任务进行了广泛实验,并证明了所提出方法在这些独立任务中获得了接近最先进技术的表现。
Feb, 2022
通过零样本白天 - 夜晚领域自适应方法,我们在不需要真实低光照数据的情况下,提出了一种增强低光物体检测的方法。我们设计了一个反射率表示学习模块,通过仔细设计的光照不变性增强策略,学习了基于 Retinex 的图像不变性。同时,我们引入了一个互换重组相干步骤,通过进行两次顺序图像重组和引入重组相干损失来改进传统 Retinex 图像分解过程。在 ExDark、DARK FACE 和 CODaN 数据集上进行了大量实验,验证了我们方法的强大低光照普适性。
Dec, 2023
本文提出了一个包含低光图像增强算法分类、数据集、web 平台等多个方面的综述以及一个包含各种拍摄设备下的低光图像数据、在线评估多个流行算法的数据集和平台,并对各种算法在公开及自有数据集上进行了定性和定量评估。本平台,数据集以及评估指标都是公开的并被定期更新。
Apr, 2021
本文针对低光环境下目标检测存在的困难,提出了一个高质量大规模的夜间目标检测数据集及其数据集子集的实例级注释,分析了低光条件对于机器认知的困难,并提出了一个用于优化机器认知的图像增强模块以及两种新颖的数据增强技术,实验结果证实该方法在低光数据集上能够持续提升检测性能。
Oct, 2021
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
利用卷积神经网络和 Retinex 理论,基于低光照条件下图像对比度很低的事实,提出了一个低光照图像增强模型。通过实验,证明该模型在质量和量化方面比其他同类模型有优势。
Nov, 2017
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
本文提出了一种基于高低适应(HLA)框架的人脸检测方法,通过双向低层适应和多任务高层适应,即使不使用暗面标签进行训练,其表现也优于现有技术。
Apr, 2021