ILR-Net:基于代学习机制和Retinex理论结合的低光图像增强网络
1School of Computer Science and Information Engineering, Harbin Normal University, Harbin, Heilongjiang, China.
PloS one
|February 13, 2025
概括
这项研究介绍了ILR-Net,一种新的低光图像增强网络. 它同时使用代学习和Retinex理论提高图像亮度,颜色和细节,以获得更清晰,更丰富的视觉效果.
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:
- 低亮度图像会受到噪音和照明不良的影响,降低视觉质量.
- 现有的增强方法往往将亮度优先于颜色和细节忠实度.
研究的目的:
- 提出一个有效的低光图像增强网络 (ILR-Net).
- 在低光图像中同时增强细节和颜色特征.
- 为了解决当前算法的局限性,这些算法忽视了颜色和细节.
主要方法:
- 开发了ILR-Net,结合了代学习机制和Retinex理论.
- 雇佣了具有扩展卷积,U-Net和自适应代学习模块的自适应学习子网络.
- 利用Retinex分解子网络来消除反射元件的反射.
- 整合了一个全球功能注意模块,以防止功能丢失.
主要成果:
- 在LOL数据集上实现PSNR为23.7624dB和SSIM为0.8653.
- 在LOLv2-Real数据集上记录了26.8252dB的PSNR和0.7784的SSIM.
- 在实验中证明了与现有算法相比的显著性能优势.
结论:
- 通过提高亮度,颜色和细节,ILR-Net有效地增强了低亮度图像.
- 与最先进的方法相比,拟议的网络提供了更高的性能.
- 对于需要高质量的低光图像增强的现实应用,ILR-Net显示出有前途的潜力.
