- LLCaps: 带有曲波小波注意力和反向扩散的低照度胶囊内窥镜的学习
本文提出了一种基于多尺度卷积神经网络和反向扩散过程的无线胶囊内窥镜低光图像增强框架,并将其与十种现有 LLIE 方法进行比较,表明该模型具有明显的性能优势和临床潜力。
- 基于扩散模型的卫星低光图像增强
本文提出了一种基于扩散模型的飞行器低光图像增强方法,通过一种数据集收集方案和自动化的物理模拟生成器来对数据进行预处理。我们的方法在图像亮度增强方面表现更好,在图像质量方面与以前的方法相当。
- 快速低光图像增强的查找表全局曲线估计
提出了一种名为 LUT-GCE 的低光图像增强有效且高效的方法,采用全局曲线估计方法,包括了一种新型的立方曲线公式,全局曲线估计网络(GCENet),查找表方法和直方图平滑度损失。
- 基于 SNR-Aware Swin Transformer 的无监督低光图像增强技术
本文提出了一种基于 Swin Transformer 的双分支网络,以信噪比先验图为指导,利用无监督学习构建优化目标,实现低光图像增强,并在实验中取得竞争性的结果。
- 基于小波扩散模型的低光照图像增强
我们提出了一种名为 DiffLL 的稳健和高效的基于扩散模型的低光图像增强方法,它利用波浪变换加速推理并降低计算资源使用但不损失信息,并通过前向扩散和反向去噪实现稳定去噪和减少随机性。我们还设计了高频率恢复模块,利用图像的垂直和水平细节来补 - 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。
- 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 - IJCAI金字塔扩散模型用于低光图像增强
本文提出了一种金字塔扩散模型(PyDiff)用于低光图像增强,该模型使用一种新颖的金字塔扩散方法进行采样,同时引入全局校正器以减轻可能出现的全局降级现象,大大提高了性能并使扩散模型的训练更加容易,具有良好的通用性。
- 低光图像增强:结构建模和引导
本文提出了一种新的低光图像增强框架,通过同时进行外观和结构建模,引入结构特征来指导外观增强,采用改进的生成模型实现结构建模,提出了结构引导增强模块来改善外观建模,实现了端到端的训练,并在代表性数据集上进行实验,表明我们的模型在所有数据集上均 - ALL-E:以审美为导向的低光图像增强
本研究提出了一种新的以美学为导向的低光图像增强方法 (ALL-E),通过在增强模型训练中引入美学奖励以及强化学习框架,实现像素级的调整,从而改善主观体验并提高客观评估,实验结果显示 ALL-E 在各项基准测试中都优于现有技术。
- CVPR学习语义感知知识引导低光图像增强
该研究提出了一种新的基于语义感知的知识引导框架,结合语义分割模型在低光图像增强中学习丰富多样的先验知识,并通过三个方面的方法实现:语义感知嵌入模块、语义引导颜色直方图损失和语义引导对抗性损失。实验结果表明,该框架在多个数据集上均优于基线模型 - AAAI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。
- MM基于美感的增强:一种可理解的无监督个性化低光图像增强器
本文提出了一种智能非监督个性化增强器(iUPEnhancer)用于低光图像处理,该增强器根据亮度、色度和噪声三个用户友好的特征来建立低光与未配对参考图像之间的关系,并利用相应的非监督损失函数进行训练,在增强过程中展示上述特征及过程,实验证明 - CVPR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。
- 放弃 Bayer 滤镜,看见黑暗
本文提出了一个使用深度神经网络实现的 De-Bayer-Filter 模拟器,以生成单色原始图像,同时使用融合颜色原始数据和合成单色原始数据的完全卷积网络实现了低光图像增强。实验结果表明,通过利用原始传感器数据和数据驱动的学习,可以显著提高 - 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。
- 语义对比学习用于低光图像增强
本文提出了一种有效的基于对比学习的语义低光图像增强算法,利用多任务联合学习将低光图像增强任务转化为对比学习、语义亮度一致性和特征保护三个约束,用于同时确保曝光、纹理和颜色的一致性。实验结果表明,该方法优于当前六个独立交叉场景数据集中最好的低 - 基于直方图均衡化先验的无监督低光图像增强
提出一种无监督低光图像增强方法,基于直方图均衡化先验和噪声分离模块,能够恢复更好的细节并在真实低光情景中更有效地抑制噪声,实验证明此方法可以与最先进的监督算法相媲美。
- MM解耦低光图像增强
本文提出了一种将低光图像增强模型拆分成两个阶段的方法,第一阶段侧重于基于像素级的非线性映射来提高场景的可见性,第二阶段侧重于通过抑制其余退化因素来提高外观保真度,本文的实验结果表明该模型在定性和定量比较中具有最先进的性能。
- IJCAI使用非配对学习技术自由增强图像
通过使用轻巧的条件生成对抗网络,通过调制编码学习任务形式化低照度图像增强,从而学习从低光到正常光图像空间的一对多关系,使我们的推理模型轻松适应各种用户喜好,并在噪声和干净数据集上实现了有竞争力的视觉和定量结果。