基于GAN和U-Net的低光照图像增强算法
夜间、低光照等条件下的产生的图像数据,存在画面过暗、细节丢失的问题,对理解图像内容、提取图像特征造成阻碍.研究针对此类图像的增强方法,恢复图像的亮度、对比度和细节,在数字摄影、上游计算机视觉任务中有着重要的应用价值.本文提出一种基于U-Net的生成对抗网络,生成器采用带有混合注意力机制的U-Net模型,其中混合注意力模块将非对称的non-local的全局信息和通道注意力的通道权重信息相结合,提高网络的特征表示能力.判别器采用基于PatchGAN的全卷积网络模型,对图像不同区域进行局部处理.本文引入多损失加权融合的方法,从多个角度引导网络学习低光照图像到正常光照图像的映射.通过实验证明,该方法在峰值信噪比、结构相似性等客观指标上取得较好的成绩,同时合理的恢复了图像的亮度、对比度和细节,直观上改善了图像的感知质量.
低光照图像增强、生成对抗网络、U-Net、混合注意力、non-local、深度学习
31
TP391.41;TN911.73;TP277
国家重点研发计划2019YFC0507405
2022-05-17(万方平台首次上网日期,不代表论文的发表时间)
共10页
174-183