这篇文章提出了一个新颖的方法,零参考深度曲线估计(Zero-Reference Deep Curve Estimation, Zero-DCE),将光照增强问题转化为使用深度网络对特定图像曲线的估计问题。他们的方法训练了一个轻量级的深度网络,DCE-Net,来估计给定图像的像素级和高阶曲线。这条曲线的设计考虑到了像素值范围、单调性和微分性。
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...
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...
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...
隧道场景下行人检测DA-Zero-DCE 图像增强算法 隧道图像受拍摄环境影响,存在光照分布不均,局部遮挡,噪点较多等问题,针对现有图像增强算法在优化过程中的过曝与失真,提出一种隧道图像增强算法DA-Zero-DCE(denoising-... 周桐,李冬春,田雨聃 - 《Journal of Chongqing University of Technology (Natural Science)》 被...
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...
本发明涉及深度学习神经网络低层视觉任务中图像增强,特别涉及一种基于zero-dce网络结构改善为有监督用于图像增强的方法。 背景技术: 1、无监督学习的低光增强,学习本身的函数映射,将像素值映射到一个较高值的区间,从而达到低光增强的目的,而现有的有监督深度学习低光增强,其本质上是学习从暗光图像的值域映射到亮图...
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...