一个Mamba U-Net模型用于重建极其黑暗的RGGB图像
Yiyao Huang1, Xiaobao Zhu2, Fenglian Yuan2
1Faculty of Innovation Engineering, Macau University of Science and Technology, Macau 999078, China.
Sensors (Basel, Switzerland)
|April 26, 2025
概括
本研究介绍了一种Mamba U-Net模型,用于增强深色RGGB图像,显著减少计算资源并改善PSNR和SSIM等图像质量指标.
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:
- 大多数高像素图像 (例如,来自手机,无人机) 使用RGGB格式.
- 极度黑暗的场景会给图像质量带来挑战.
- 目前的增强方法是资源密集型和耗时的.
研究的目的:
- 开发一个高效的深度学习模型来增强极其黑暗的RGGB图像.
- 为了减少对图像增强的计算资源需求.
- 为了提高恢复黑色图像的质量.
主要方法:
- RGGB图像通过黑色水平减去和线性插值转换为RGB格式.
- 开发了一个Mamba U-Net模型,利用状态空间模型 (SSM) 进行高效的培训.
- 看到在黑暗中 (SID) 数据集被用于模型培训和评估.
主要成果:
- 与现有方法相比,Mamba U-Net模型显示了资源消耗的显著减少.
- 拟议的方法实现了优异的峰值信号噪声比率 (PSNR) 和结构相似性 (SSIM) 评分.
- 该方法在恢复极其黑暗的RGGB图像方面被证明是有效的.
结论:
- 马巴U-Net提供了一种高效和有效的解决方案,用于增强黑暗的RGGB图像.
- 这种方法平衡了计算效率与改进的图像恢复质量.
- 该研究强调了状态空间模型在图像增强任务中的潜力.
