重新思考渐进的低光图像增强:一个频率意识的三方多尺度网络网络
Yingjian Li1, Kaibing Zhang1, Xuan Zhou2
1School of Computer Science, Xi'an Polytechnic University, Xi'an, 710048, China; Shaanxi Artificial Intelligence Joint Laboratory, Xi'an, 710048, China.
概括
这项研究介绍了一种新的进步三方多尺度网络 (PTMSNet),用于增强低光图像. 通过平行变压器和CNN分支,PTMSNet有效地融合了多尺度的功能,大大提高了图像质量和细节恢复.
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:
- 低亮度图像会受到对比度降低,色彩扭曲和噪音的影响.
- 渐进型网络显示出低光图像增强的希望,但往往缺乏有效的多尺度特征融合.
研究的目的:
- 提出一种新的进步三方多尺度网络 (PTMSNet),以有效地提高低亮度图像的效果.
- 解决现有渐进式方法中单级核聚变战略的局限性.
主要方法:
- 设计了一个并行混合模块 (PHM),集成变压器和卷积神经网络 (CNN) 分支,用于互补的特征学习.
- 引入了一种频率感知融合模块 (FAFM),用于使用频域信息准确地绘制信号噪声比 (SNR).
- 采用了结合损失函数,结合了像素,结构和颜色限制.
主要成果:
- 在基准数据集上,PTMSNet显著优于最先进的 (SOTA) 方法.
- 在ExDark数据集上表现出卓越的性能,表明强大的弱光检测.
- 展示了在不稳定的照明下在现实场景中的实际适用性.
结论:
- 拟议的PTMSNet通过利用多尺度特征交互,有效地增强低光图像.
- 由于其创新的混合和频率感知融合模块,该网络实现了卓越的性能.
- 对于需要高质量的低光成像的现实应用程序,PTMSNet提供了强大的概括功能.
