zero-dce算法详解 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
二、Zero-DCE 1. 亮度增强曲线(LE-Curve) 2. 参数估计网络(DCE-Net) 3. 无参考损失函数(Non-reference loss) 三、Zero-DCE++ 1. 优化提升方法 2. 参考代码链接 3. 算法框架技术要点 四、实验结果 五、总结展望 一、研究简介 1. 研究背景 受到环境和设备的影响,人们经常获取到一些低光图像,不仅影响人们...
本人复现的实验结果与上述差不多,不得不说Zero-DCE确实是实现了轻量化,测试速度非常快。
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。
参数方面主要探讨Zero-DCE的深度宽度以及迭代的次数。如上图所示,L-F-N代表Zero-DCE有L层卷积,每层有F个feature map以及迭代次数为N。Impact of Training Data:使用不同数据集对Zero-DCE进行训练:1)原训练集中(2422)的900张low-light图像Zero-DCELow ;2)DARK FACE中9000张未标注的low-light图像Zero-DCELarge...
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...
核心改进点集中在网络结构与训练流程。原版zero-dce使用八层卷积网络预测光照调整曲线，改进版本在三个层面升级：引入注意力机制模块，让网络自动聚焦暗区纹理；增加多尺度特征融合层，提升不同亮度区域的协调性；构建双分支残差结构，分别处理亮度校正与噪声抑制。实验数据显示，改进后的网络在保持原算法实时性优势基础上...
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的...
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...