相关实验视频
Updated: May 10, 2025

08:58
A Human Cerebral Organoid Model of Neural Cell Transplantation
Published on: July 21, 2023
1.0K
局部二进制模式循环生成对抗网络转移:将图像风格从白天转变为夜晚
Abeer Almohamade1,2, Salma Kammoun1, Fawaz Alsolami1
1Department of Computer Science, Faculty of Computing and Information Technology, King Abdulaziz University, Jeddah 21589, Saudi Arabia.
Journal of imaging
|April 25, 2025
概括
LBP-CycleGAN通过使用局部二进制模式 (LBP) 来实现更清晰的纹理来增强夜间图像翻译. 没有自我注意的模型实现了优越的质量,并降低了自动驾驶等应用程序的计算成本.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 图像对图像的翻译对于自动驾驶和监控至关重要.
- 现有的CycleGAN模型面临着纹理损失和高计算需求等挑战.
研究的目的:
- 开发一个改进的CycleGAN模型,用于日夜图像翻译.
- 解决现有方法的纹理损失和计算低效率的问题.
主要方法:
- 引入了LBP-CycleGAN,使用本地二进制模式 (LBP) 来提取纹理细节.
- 利用基于LBP的单通道输入来改善夜间图像生成.
- 评估了三种变化:LBP-CycleGAN与自我注意 (完全,仅有歧视者) 和没有自我注意.
主要成果:
- 没有自我注意的LBP-CycleGAN模型与其他变体相比,产生了优越的纹理质量.
- 这种模型显著减少了培训时间和计算开销.
- 在夜间纹理中表现出增强的度和一致性.
结论:
- LBP-CycleGAN提供了一种高效的解决方案,用于高保真度的夜间图像翻译.
- 简化的模型 (没有自我注意) 提供了最佳的性能.
- 这一进步有利于现实世界的应用,例如自动驾驶和低光视觉系统.

