JASPER_W_

  • 12

    获得赞
  • 24

    发布的文章
  • 0

    答辩的项目

低照度图像增强

深度学习

最后更新 2020-05-12 10:15 阅读 242

最后更新 2020-05-12 10:15

阅读 242

深度学习

image.pngOutline

•本文为解决微光图像增强,提出一种新的基于深度学习的方法,零参考深度曲线估计(Zero-DCE) 

•本文不再执行图像到图像的映射,而是将任务重新构造为一个特定于图像的曲线估计问题。该方法以微光图像为输入,输出高阶曲线。然后,这些曲线用于对输入的动态范围进行像素级调整,以获得增强图像。 

•曲线估计是精心制定的,以保持增强图像的范围,并保持相邻像素的对比度。重要的是,它是可微的,因此我们可以通过深卷积神经网络学习曲线的可调参数。该网络具有重量轻的特点,可以迭代逼近高阶曲线,从而实现更稳健、更精确的动态范围调整。

Contribution

1) 提出了第一个独立于成对和非成对训练数据的弱光增强网络,从而避免了过度拟合的风险。因此,我们的方法可以很好地推广到各种照明条件下。 

2) 设计了一个简单而轻量级的深度网络,它可以通过迭代应用自身来逼近像素级和高阶曲线。这种特定于图像的曲线可以在很宽的动态范围内有效地进行映射。 

3) 通过间接评估增强质量的任务特定非参考损失函数,展示了在没有参考图像的情况下训练深度图像增强模型的潜力。

Architecture

image.pngLight-Enhancement Curve (LE-curve) 

三个目标: 

1、增强图像的每个像素值应在[0,1]的归一化范围内,以避免溢出截断造成的信息丢失; 

2、该曲线应是单调的,以保持相邻像素的差异(对比度); 

3、该曲线的形式应尽可能简单,在梯度的反向传播过程中可微。

Light-Enhancement Curve (LE-curve) 

截屏2020-05-11 下午2.31.50.pngDCE-Net

•Input: low-light image(512×512)

•Output: a set of pixel-wise curve parameter maps for corresponding higher-order curves 

•DCE网络对于256×256×3的输入图像只有79416个可训练参数和5.21G的触发器。因此,它是轻量级的,可用于计算资源有限的设备,如移动平台。

Loss Function

截屏2020-05-11 下午2.32.42.pngExperience

截屏2020-05-11 下午2.33.11.png截屏2020-05-11 下午2.33.20.png截屏2020-05-11 下午2.33.26.png截屏2020-05-11 下午2.33.37.pngConclusion

•1、不需要成对的图像进行训练,适用范围更广; 

•2、能够实时处理图像且训练速度快; 

•3、LE-curve曲线对于不同种类待增强图片的增强灵活性有限制;

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可,转载请附上原文出处链接和本声明。
本文链接地址:https://www.flyai.com/article/453
讨论
500字
表情
每日优质讨论奖励 20FAI
发送
每日优质讨论奖励 20FAI
删除确认
是否删除该条评论?
取消 删除