通过深度补偿展开网络增强低亮光场图像

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:

• 低光条件严重降低光场 (LF) 图像的质量.
• 在低光条件下恢复LF图像是具有挑战性的,因为噪音和照明的变化.
• 现有的方法往往难以保留LF数据中固有的独特几何信息.

研究的目的:

• 提出一种新的,可解释的端到端学习框架,用于低光下LF图像修复.
• 以数据驱动的方式开发一个模仿反向成像问题优化的网络.
• 为了提高低光 LF 图像的质量并保持其几何结构.

主要方法:

• 引入了深度补偿展开网络 (DCUNet),一个多阶段的架构.
• 利用中间增强结果来估计照明图和随后的展开.
• 整合了一个与内容相关的深度补偿模块,以减轻噪音和估计错误.
• 提出了一个伪明确的功能交互模块来利用LF图像冗余性.

主要成果:

• 在模拟和真实数据集上,DCUNet在最先进的方法上表现出优越的性能.
• 定性和定量评估证实了拟议框架的有效性.
• 该方法显著更好地保留了增强的LF图像的基本几何结构.

结论:

• DCUNet提供了一个有效和可解释的解决方案,用于低光下LF图像恢复.
• 拟议的模块成功地解决了噪音,照明估计错误,并利用了LF图像特征.
• 该框架提供了高质量的增强的LF图像,并保留了几何完整性.