Ref-MEF:以参考为指导的灵活门式图像重建网络,用于多次曝光图像融合
Yuhui Huang1, Shangbo Zhou1, Yufen Xu1
1College of Computer Science, Chongqing University, Chongqing 400044, China.
Entropy (Basel, Switzerland)
|February 23, 2024
概括
Ref-MEF是一种用于处理不同输入数量的多曝光图像融合 (MEF) 的新型参考引导方法. 它有效地产生高质量,详细的图像,优于现有的方法.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 人工智能的人工智能
背景情况:
- 多曝光图像融合 (MEF) 将不同曝光度的图像结合到一个高质量的图像中.
- 深度学习 MEF 方法由于网络结构刚性而难以处理动态输入数.
研究的目的:
- 引入Ref-MEF,一种以参考为导向的MEF方法,可适应不确定数量的输入图像.
- 解决现有的深度学习MEF技术在处理可变输入方面的局限性.
主要方法:
- 开发了一个使用频道和空间注意力的参考导向暴露校正 (REC) 模块.
- 实施了一个以曝光为导向的特征融合 (EGFF) 模块,具有高斯式波器重量.
- 使用封闭的上下文聚合网络 (GCAN) 和全球残留学习 (GRL) 来进行图像重建.
- 整合了精致的损失函数与梯度忠实度.
主要成果:
- Ref-MEF成功地将多次曝光融合到一个单一的高质量图像中.
- 该方法在图像特征评估和整体评估方面表现出卓越的表现.
- 实现了显著的计算效率,特别是随着输入图像数量的增加.
结论:
- Ref-MEF提供了一个强大的解决方案,用于多次曝光的图像融合,不确定数量的输入.
- 拟议的方法提高了图像细节和视觉质量,同时保持了计算效率.
- Ref-MEF代表了基于深度学习的图像融合技术的重大进步.


