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
Zero-DCE是一种用于低光照图像增强的深度学习算法,全称Zero-ReferenceDeep CurveEstimation。与传统方法不同,它不需要任何配对或未配对的数据进行训练,通过自主生成优化曲线实现图像质量提升。这项技术将图像增强过程转化为可学习的深度曲线参数估计问题,在保证实时性的同时显著改善暗光场景下的视觉表现。算法核心在于建立...
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...
基于改进的zero-dce网络的低照度图像增强方法 低照度环境拍摄的图像常存在噪声多、细节模糊、色彩失真等问题。传统增强方法依赖人工调整参数,容易出现局部过曝或欠曝。基于改进的zero-dce网络的方法通过深度学习实现端到端优化,这里重点解析改进策略与实施路径。核心改进点集中在网络结构与训练流程。原版zero-dce使用八层...
算法框架如图1所示,我们首先介绍Zero-DCE中三个重要的组成部分,包括亮度增强曲线(LE-Curve),参数估计网络(DCE-Net)以及无参考损失函数(Non-reference loss)。 图1: Zero-DCE流程图 (1)亮度增强曲线(LE-Curve) 受照片编辑软件中使用的曲线调整的启发,我们设计了一种可以将弱光图像自动映射到正常光照的曲线,其中...
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...
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...
基于EnlightenGAN图像增强的自然场景下苹果检测方法 最终在生成器和判别器的对抗中达到图像质量增强的效果.为了进一步检验该方法的阴影去除效果,分别采用EnlightenGAN,Zero_DCE,Adaptive_GAMMA,RUAS等算法在MinneApple公共... 宋怀波,杨涵茹,苏晓薇,... - 《农业机械学报》 被引量: 0发表: 2024年 结合注意力的双分支...
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...