Jan, 2024

MixNet: 高效有效的 UHD 低光图像增强

PDF
TL;DR本文提出了一种名为 MixNet 的新型低光图像增强方法，针对超高清图像进行设计，并通过全局特征调制层 (GFML)、局部特征调制层 (LFML) 和前馈层 (FFL) 等模块实现低光图像增强，具有少量模型参数和低计算复杂性。在合成和真实数据集上的广泛实验表明，作者提出的方法优于当前最先进的方法。
发现论文，激发创造
  • 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

  • 一种基于通道先验和伽马校正的轻量级低光图像增强网络

    通过结合传统方法与深度学习技术，本研究提出了一种创新的低光图像增强网络 CPGA-Net，该网络结合了暗 / 亮通道先验、伽马校正、大气散射模型和 Retinex 理论的特征，成为一个轻量级网络，在客观和主观评价标准上取得了优异性能，为低光环境下的实际应用提供了新的解决方案。

    Feb, 2024

  • FLIGHT Mode On: 一种轻巧的网络用于低光图像增强

    本文提出了一种新的 LLIE 方法 FLIGHT-Net，它使用一系列的神经架构模块来解决低照度下直方图抑制和信噪比低的问题，通过像素级场景依赖的照明调整来调节照明条件，在包含通道注意力和去噪子块的第二个块的输出中产生输出图像，其高效的神经网络架构只使用 25K 个参数，并实现了最新的性能。

    May, 2023

  • 学习一个卷积层模型以进行低光图像增强

    本文介绍了一种在低亮度条件下进行图像增强的轻量级神经网络，提出了全局低光强度增强和局部自适应校正的方法来解决不同图像区域的曝光问题，实验结果表明该方法在客观指标和主观视觉效果方面都表现出色。

    May, 2023

  • 低光图像增强的快速轻量级网络

    本研究介绍了 FLW-Net，一种用于低光图像增强的快速轻量级网络，可同时解决噪声、低亮度、低对比度和颜色偏移问题。我们采用全局特征信息提取组件和基于相对信息的损失函数设计来提高处理速度和效果，并进行了比较实验以证明其有效性。

    Apr, 2023

  • 低光图像增强的扰动学习

    通过使用 TroubleMaker 学习策略在低光图像增强任务中训练使用正常光图像作为输入的模型，结合 Global Dynamic Convolution 模块，本文提出的方法在公共数据集上取得与最先进方法竞争性的性能。

    Feb, 2024

  • 协作全局 - 局部网络的超高分辨率图像内存高效分割

    提出了一种以极高的内存效率保留全局和局部信息的协作全局 - 本地网络，同样适用于粗到细的分割，用于超高分辨率图像的分割。

    May, 2019

  • 低光图像和视频增强技术的深度学习调研

    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

  • M-Net + 中的半小波注意力用于低光图像增强

    本文提出了一种基于改进的分层模型 M-Net + 的图像增强网络（HWMNet），其中使用半波小波块从小波域丰富特征。该算法在两个图像增强数据集中产生了具有竞争力的性能结果，特别是在使用定量指标和视觉质量方面。

    Mar, 2022

  • LEDNet: 低光弱化与去模糊联合处理

    该研究通过引入新的数据合成流程来模拟真实的低照度模糊退化，提出了联合低照度增强和去模糊的大规模数据集 LOL-Blur，同时提出了一种名为 LEDNet 的有效网络，解决了夜间摄影低照度和模糊问题。

    Feb, 2022