Jun, 2024

ECAFormer：低光图像增强基于交叉注意力

PDF
TL;DR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。
low-light image enhancementecaformerdual multi-head self attentiondetail preservationillumination enhancement
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

  • 通过扩展自注意力实现鲁棒车道检测

    本文介绍一个名为扩展自注意力 (ESA) 模块的简单却强大的自注意力机制，在车道检测中取得了最先进的结果，并通过在三个流行的车道检测基准测试上的实验结果表明了该方法的鲁棒性。

    Feb, 2021

  • 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

    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。

    Dec, 2023

  • CrossFormer: 基于跨尺度注意力实现多功能视觉 Transformer

    本研究提出了 CEI 和 LSDA 来解决现有视觉 transformer 无法处理不同尺度特征相互作用的问题，并基于多尺度注意力模块设计了一种适用于可变尺寸输入的通用视觉架构 CrossFormer.

    Jul, 2021

  • 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

  • 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

  • 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

  • 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

  • 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

  • ClassLIE：面向低光图像增强的结构和光照自适应分类模型

    本文提出了一种结合 CNN 和 transformers 的新型框架 ClassLIE，通过综合和区域化的方式对低光图像中的结构和光照信息进行分类和自适应学习，从而显示出更好的增强性能。实验证明，ClassLIE 在五个基准数据集上达到了最先进的表现，LOL 数据集上的 PSNR 和 SSIM 分别为 25.74 和 0.92。

    Dec, 2023