这项工作提出了一种新颖的基于深度学习的方法,名为Zero-Reference Deep Curve Estimation (Zero-DCE), 用于低光图像增强。它可以处理包括非均匀和光照不足等各种光照条件。 与执行图像到图像的映射不同,该方法定义了不同的任务,将其构建为图像特定的曲线估计问题。具体而言就是以低光图像作为输入,并生成高阶曲线作...
因此最终光照增强曲线公式如下: 其中n表示迭代次数。An表示每个像素位置的曲线参数。 2. 参数估计网络(DCE-Net) 我们利用一个简单的卷积网络估计特定于图像的参数图,进而结合亮度增强曲线迭代的对输入图像进行增强。DCE-Net网络主要由堆叠的卷积、激活函数组成,跳连接层用于将浅层特征复用,最后通过Tanh激活函数输出值域...
为了测试训练数据的影响,我们在不同于Sec 5.1中描述的数据集上重新训练Zero-DCE。如图10©和(D)所示,在移除过度曝光的训练数据之后,Zero-DCE倾向于过度增强照明良好的区域(例如,Zero-DCELow和Zero-DCELargeL的结果中的杯子),尽管使用了更多的低光图像(即,Zero-DCELargeL)。这些结果说明了在我们的网络训练过程中...
Zero-Reference Deep Curve Estimation(零参考深度曲线估计,简称Zero-DCE)是一种用于低光图像增强的方法,它不需要任何参考图像(即不需要成对或不成对的训练数据)来指导模型的训练过程。该方法通过训练一个深度网络来预测针对每个输入图像特有的亮度增强曲线(LE-Curve),利用这些曲线对图像的动态范围进行像素级的调整,从...
该方法包括:获取待增强图像;将所述待增强图像输入至改进的Zero‑DCE网络中,输出增强后的图像;其中,在传统Zero‑DCE网络的结构之上,取消了Zero‑DCE网络中第七浅层特征层的8次迭代步骤,以卷积、归一化、激活的方式取而代之,避免了迭代冗余的问题,大大降低了计算量;且引入了残差网络作为残差模块,作用于第四浅...
本发明提供一种基于Zero‑DCE网络结构改善为有监督用于图像增强的方法,所述方法构建一套有监督学习的卷积神经网络,使用对比度增强损失,改进损失函数对于有监督学习的适应,通过反向传播,让模型通过训练自适应学习映射函数。由于现有Zero‑DCE增强的图像视觉效果在真实场景下不够好,比如出现对比度下降,图像不清晰等,使用...
采用了创新性的图像增强方法,将图像分解为照明和反射两部分,以实现更为出色的增强效果。综合运用Retinex、Zero-DCE和强化学习技术,提升了图像质量和可视性,在处理复杂场景中展现了显著的效果。通过强化学习和组合损失函数,使得图像增强效果更显著。基于Retinex理论的实现方式进一步加强了整体算法的性能。此外,结合Zero-DCE...
Zero‑DCE网络的图像增强方法及系统,对待增强的图像采用改进的Zero‑DCE网络,得到多个像素级曲线参数映射所对应的高阶曲线;采用各高阶曲线对待增强的图像进行迭代增强处理,得到最终的图像增强结果;本发明在原有网络的基础上增加三层反卷积层,分别嵌入在原有三层卷积层之间,实现了对图像细节信息的补偿,提高了图像增强...
曲线的parameter map能够准确地表示不同区域的亮度情况(例如墙上的两个亮点),因此可以直接通过pixel-wise curve mapping进行图像增强,如(e)所示,明亮区域保留,黑暗区域增强。三、DCE-Net输入为low-light图像,输出为一组用于高阶曲线的pixel-wise curve parameter maps。本文构建的CNN由7个具有对称结构的卷积层组成(...
专利权项:1.一种基于改进的Zero-DCE网络的低照度图像增强方法,其特征在于,包括:获取待增强图像;将所述待增强图像输入至改进的Zero-DCE网络中,输出增强后的图像;其中,所述改进的Zero-DCE网络包括:9层浅层特征层;第一浅层特征层至第六浅层特征层依次连接;其中,第二浅层特征层至第四浅层特征层中每一层浅层特...