图像增强论文精读笔记-Low-Light Image Enhancement via a Deep Hybrid Network

1. 论文基本信息

  1. 研究背景和动机

现有的研究方法在低光图像增强都存在或多或少的缺陷

3. 主要贡献

  • 提出了一种混合神经网络,其中分为内容流及边缘流两部分。内容流用于预测输入的场景信息,而边缘流专注于边缘细节学习。这个设计的网络能够恢复更准确的场景内容。

  • 引入两个独立的权重图作为输入特征和RNN的隐藏状态,改进了一种空间变化的RNN。RNN建模图像的内部结构,例如边缘,这在低光照图像增强中起着重要作用。通过强调图像的边缘信息来对增强结果进行完善

  • 损失函数方面,使用感知损失和对抗损失训练混合网络,生成在视觉上令人满意的增强图像

4. 方法和模型

(1) 网络总体架构图如下。增强的过程为分为两个流,分别是内容流(上方)以及边缘流(下方)

其中边缘流部分通过空间变化的RNN来进一步学习图像的边缘特征,指导恢复图像。两部分结果concat起来计算损失函数

边缘流部分细节图如下所示:

原始的空间RNN关系如下式:

这里的 pk 是平衡 xk 和 hk 贡献的加权因子。CNN依赖于图像内容,用于学习相应的权重图 p。因为低光图像和日光图像的整体能量不同,这种传统方法不能直接应用于低光图像增强任务。

受公式中空间可变 RNN 的启发,我们提出了一种边缘流来弥补低光图像结构信息的损失。更具体地说,我们提出了一种改进的空间可变 RNN 模型:

不同的是,引入了一个新的权重图 g,它与 p 无关。因此,当前图像像素信息 xk 和前一个隐藏状态 hk−1 可以更灵活地融合。

5. 个人思考与讨论

这篇文章的核心创新点应该是通过空间变化的RNN,强调了边缘信息的作用。作者团队做了很多消融实验,包括不同组件部分、不同损失函数等等。

相关推荐
郝学胜-神的一滴1 分钟前
Effective Python 条款35:用类封装替代生成器异常注入
开发语言·人工智能·python·金融·pandas·scikit-learn·matplotlib
火山引擎开发者社区10 分钟前
豆包工作,3 个月,800 万,20 亿
人工智能
Chuck.li19 分钟前
AI 长篇创作工具选型:工作流对照与自测清单
人工智能·大模型·ai写作·网文作者·ai网文·豆包写作
aleimu31 分钟前
Windows 11 右键打开 Cmder 2.0:从找不到菜单到默认使用 Cmder
前端·人工智能·后端
SwanArc技术笔记1 小时前
读技术文档,先用哪个 AI?模型指南筛选与 GPT-6.2 Astra 实操
人工智能
深海鱼在掘金1 小时前
深入浅出RAG——第21章:回顾与展望
人工智能
羲云网络1 小时前
GPT Image 2.6 GIF 交付排障:上线后为什么只剩第一帧?
图像处理·人工智能·前端开发·gif
安爹前沿AI1 小时前
Seedance 有个文档里没写的参数:开了码率涨 3.9 倍,费用一分没多
人工智能
深海鱼在掘金1 小时前
深入浅出RAG——第20章:端到端实战:企业级知识库问答系统
人工智能
黑十1 小时前
FDE 怎么快速搭一个可演示页面?最小前端方案
java·大数据·前端·数据库·人工智能