JASPER_W_

  • 12

    获得赞
  • 24

    发布的文章
  • 0

    答辩的项目

关于低照度图像增强的深度学习论文(AAAI 2020)

深度学习

最后更新 2020-05-14 10:28 阅读 299

最后更新 2020-05-14 10:28

阅读 299

深度学习

EEMEFN-Low Light Image Enhancement via Edge Enhanced MultiExposure Fusion Network

Problems

•现有的方法往往很难从极度暗/亮的图像中复原细节信息; 

•由于没有正常曝光的图像信息,现有的模型中存在色彩畸变,暗光会导致颜色失真不可复原; 

•由于物体的边界比较模糊,pixel-wise loss会对不同的物体进行相同的处理,并导致一个模糊的结果。

Description

•本文提出了一个双阶段的模型为边缘增强的多曝光图像融合。 

•第一阶段的多曝光融合模块通过生成和融合不同光照条件下的多曝光图像,恢复出良好的曝光图像细节,降低噪声方差和颜色偏差。值得注意的是,这里的多曝光图像是由原图乘上对应的比系数例得到的。 

•第二阶段的边缘增强模块通过融合低光照图像和边缘信息生成高质量的图像。

Contribution

•我们提出了一种新的多曝光融合模块,利用融合块将生成的图像与不同的光照条件结合起来,从而解决高对比度和颜色偏差问题。 

•我们引入了一个边缘增强模块,以增强具有锐利边缘和精细结构的图像。 

•实验结果表明,所提出的方法达到了最先进的性能。此外,我们还进行了消融研究,以证明每个模块的有效性。

Architecture

image.pngStage-I: Multi-Exposure Fusion

•Generation:

截屏2020-05-13 下午5.13.09.png•Fusion:

截屏2020-05-13 下午5.13.42.pngStage-II: Edge Enhancement

截屏2020-05-13 下午5.14.27.png截屏2020-05-13 下午5.14.47.pngExperiments

•Dataset: The See-in-the-Dark dataset consists of two image sets: Sony set and Fuji set.  

•Quantitative Evaluation: PSNR、SSIM 

image.pngimage.pngimage.pngConclusion

•1、多曝光图片中的信息冗余,将多张不同的图像引入网络中不一定会提高性能,反而会增强计算的代价 

•2、对于边缘清晰度的保持相对较好 

•3、计算边缘loss时对ground truth的要求和依赖度较高,考虑本文中利用Canny edge detector (Canny 1986)是否为最好的

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/475
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