在非均照明下无监督的图像增强,基于配对的CNN

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 不均的照明显著降低了图像质量.
• 现有的无监督图像增强方法经常在复杂的照明条件下扎.
• 精确的图像增强对于各种应用,包括监视和自动驾驶至关重要.

研究的目的:

• 提出两种基于卷积神经网络 (CNN) 的新型系统,用于无监督的图像增强.
• 为了应对不均照明所带来的挑战.
• 为了实现卓越的图像增强,提高模型复杂性和融合效率.

主要方法:

• 开发了两种基于CNN的系统 (CNNOD和CNNOD+),利用配对的CNN与指数和对数激活函数.
• 采用了非参考损失函数的加权和,包括,贝齐尔,白平衡,梯度改善和结构相似度指数 (SSIM) 损失.
• CNNOD+ 集成了一个信息融合模块与用于马校正的功率法网络.

主要成果:

• 拟议的基于CNN的系统在基准数据集上的最先进方法相比,表现优越.
• 在增强质量方面取得了显著的改进,减少了模型的复杂性,并提高了融合效率.
• 有效地处理不均的照明,颜色造和高频降解.

结论:

• 开发的基于CNN的系统在具有挑战性的照明条件下为无监督的图像增强提供了有效的解决方案.
• 新的损失函数组合和CNN架构有助于提高图像保真度和全球/本地增强.
• 提出的方法代表了无监督图像增强技术的重大进步.