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 p[k] 是平衡 x[k] 和 h[k] 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 x[k] 和前一个隐藏状态 h[k−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
极限实验室1 小时前
Coco AI 实战(一):Coco Server Linux 平台部署
人工智能
杨过过儿1 小时前
【学习笔记】4.1 什么是 LLM
人工智能
巴伦是只猫1 小时前
【机器学习笔记Ⅰ】13 正则化代价函数
人工智能·笔记·机器学习
大千AI助手1 小时前
DTW模版匹配:弹性对齐的时间序列相似度度量算法
人工智能·算法·机器学习·数据挖掘·模版匹配·dtw模版匹配
AI生存日记2 小时前
百度文心大模型 4.5 系列全面开源 英特尔同步支持端侧部署
人工智能·百度·开源·open ai大模型
LCG元2 小时前
自动驾驶感知模块的多模态数据融合:时序同步与空间对齐的框架解析
人工智能·机器学习·自动驾驶
why技术2 小时前
Stack Overflow,轰然倒下!
前端·人工智能·后端
超龄超能程序猿3 小时前
(三)PS识别:基于噪声分析PS识别的技术实现
图像处理·人工智能·计算机视觉
要努力啊啊啊3 小时前
YOLOv3-SPP Auto-Anchor 聚类调试指南!
人工智能·深度学习·yolo·目标检测·目标跟踪·数据挖掘