增强的U-Net与多模块集成用于高曝光差异图像恢复
Bo-Lin Jian1, Hong-Li Chang2, Chieh-Li Chen2
1Department of Electrical Engineering, Chin-Yi University of Technology, Taichung 411030, Taiwan.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
这项研究介绍了一种轻量级的深度学习模型,用于恢复在具有挑战性的照明条件下捕获的图像. 增强的机器视觉系统改善了对无人驾驶汽车 (UAV) 的物体检测和识别.
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:
- 机器视觉系统对于无人驾驶汽车 (UAV) 来说至关重要.
- 不利的照明条件和曝光问题会降低图像质量,阻碍无人机任务.
- 在光照差异下恢复图像对于实时应用至关重要.
研究的目的:
- 开发一种高效,轻量级的模型,用于修复具有显著光照差异的图像.
- 在各种环境条件下提高无人机机器视觉系统的性能.
主要方法:
- 使用了U-Net架构,增强了编码器和解码器模块 (类似启动的区块,双重注意力,选择性内核融合,无声化).
- 员工监督学习用于图像修复.
- 通过BAID数据集进行了废除研究,并与现有模型进行了性能比较.
主要成果:
- 拟议的轻量级模型有效地恢复高曝光差异的图像.
- 展示了改进的图像检测和识别功能.
- 在最小化可训练参数的同时,实现了竞争性性能.
结论:
- 开发的深度学习模型显著提高了无人机机器视觉的图像质量.
- 该方法提供了一个强大的解决方案,用于在具有挑战性的照明环境中实时恢复图像.
- 该模型的效率和有效性为改善无人机作战能力铺平了道路.


