相关实验视频
Updated: Jun 30, 2025
11:23
Lensless Fluorescent Microscopy on a Chip
Published on: August 17, 2011
17.7K
基于DCENet的低光图像增强,通过尖端编码和convLSTM改进
Xinghao Wang1, Qiang Wang1, Lei Zhang1
1Equipment Management and Unmanned Aerial Vehicle Engineering School, Air Force Engineering University, Xi'an, China.
Frontiers in neuroscience
|March 20, 2024
概括
本研究介绍了一种简化的深度卷积编码器解码器网络 (DCENet),用于无监督的低光图像增强 (LLIE). 该方法使用尖端神经网络编码和convLSTM来显著提高图像质量,并优于现有技术.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 图像处理 图像处理
背景情况:
- 低亮度图像会降低各种视觉任务中的性能.
- 现有的低光图像增强 (LLIE) 方法通常需要配对数据.
- 尖端编码和convLSTM为图像特征提取提供了新的方法.
研究的目的:
- 使用简化的DCENet开发一个无监督的LLIE方法.
- 集成尖端神经网络编码和convLSTM以实现增强的特征表示.
- 提高增强低光图像的主观和客观质量.
主要方法:
- 为无监督的LLIE设计了一个简化的DCENet架构.
- 使用了尖端编码方法 (强度到延迟).
- 卷积式LSTM (convLSTM) 被用于功能集成.
主要成果:
- 提出的方法在五个客观指标 (PSNR,SSIM,MSE,UQI,VIFP) 上实现了对LOL和SCIE数据集的优异性能.
- 量化结果远远超过了第二最好的方法.
- 用户研究证实了非参考数据集的主观视觉质量改进.
结论:
- 简化的DCENet与尖端编码和convLSTM有效地增强了没有监督的低光图像.
- 该方法在现有的LLIE技术上显示出了显著的性能改进.
- 这种方法为实际的低光图像增强应用提供了一个有希望的方向.
