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,其中自...
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...
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使用多曝光训练数据的合理性和必要性。此外,Zero-DCE可以更好地恢复暗区域(例如。
Zero-DCE论⽂解读 Zero-DCE github:paper:⼀、创新点 我们提出了第⼀个⽴于成对和不成对的训练数据的弱光增强⽹络，从⽽避免了过度拟合的风险。因此，我们的⽅法可以很好地推⼴到各种光照条件。设计了⼀个特定于图像的曲线，该曲线能够通过迭代应⽤⾃⾝来近似像素级和⾼阶曲线。这种特定于...
被引量: 0发表: 2024年 基于IB-UNet的零参考低照度图像增强方法 在图像增强领域,成对数据的过分依赖可能导致模型过度拟合,影响其泛化能力.为了解决这一问题,本文提出了一种无监督学习方法,该方法受到Zero-DCE网络架构的启发,采用了... 何天歌 - 《建模与仿真》 被引量: 0发表: 2024年 加载更多站...
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专利信息由爱企查专利频道提供,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说明: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...专利查询请上
1.一种基于优化的Zero-dce网络Raw域对比度增强的方法,其特征在于,所述方法包括以下步骤: S1,数据准备,实现: A,采集低对比度Raw图即Raw数据; B,将原始Raw数据转变为(1080,1920)尺寸; S2,实现CLAHE增强与裁剪:进行CLAHE增强,将尺寸改变后的Raw数据以及CLAHE增强后的结果裁剪为多个(540,960)的片段,对应位置的裁剪...
本发明提供了一种基于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...
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...