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。 通过一组精...
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 for Low-Light Image Enhancement (CVPR 2020) githubgithub.com/Li-Chongyi/Zero-DCE 算法思想:利用 CNN 估计图像中每个像素的高阶映射方程,作为增强;并设计四个非参考的损失函数以满足无参考训练。 给定图像,估计像素的变换曲线,函数需要满足以下三个条件: 作用域[0, 1...
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...
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...
首先,基于Zero-DCE模型,使用U-Net改进用于曲线估计的主干网络DCE-Net,并且加入坐标注意力机制来提升对图像局部区域的暗光感知能力。其次,在曲线估计主干网络后加入NAF-Net噪声去除模块,有效抑制Zero-DCE在低光照增强后的噪声。此外,为缓解增强图像的失真与过曝现象,将空间一致性损失函数的4邻域计算方式扩展为8邻域计算...
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网络结构用于图像对比度增强的方法。 背景技术: 1、现有的对比度增强通常都是使用传统算法,如直方图均衡化,指数变换,灰度拉伸等方式,有基于全局信息,也有基于局部信息的方法。而神经网络方面很少单独对对比度做增强算法,一般任务更偏向于超分辨...