摘要：针对低光条件下图像质量下降的情况,低光图像增强方法旨在提高退化图像的亮度、色彩丰富度等可见细节,使其更清晰、更符合人类视觉期望。基于深度学习的增强方法取得了显著进展,但传统的卷积神经网络在特征提取过程中存在局部性的限制,导致网络难以有效建模图像像素间的长距离关系。相比之下,Transformer模型利用自注意力机制能够更好地捕捉像素间的长距离依赖性。然而,现有研究表明,全局性质的自注意力机制会导致网络缺乏空间局部性,进而影响基于Transformer架构的网络对局部特征细节的处理能力。基于此,提出一种新颖的低光图像增强网络——MFF-Net。采用跨域特征融合的原理,融合卷积神经网络和Transformer的优势,以获得既包含多尺度信息又包含多维度信息的跨域特征表示。此外,为了保持特征语义的一致性,特别设计了一个特征语义转换(ST)模块。在公共低光数据集上的实验结果表明,所提MFF-Net相较于主流方法取得了更好的增强效果,并且生成的图像视觉质量更为出色。

摘要：低光照图像增强任务旨在提高图像的可见性,同时保持其视觉自然度.针对训练数据缺乏多样性以及恢复图像中细节丢失和颜色失真这两方面问题,基于分布一致性约束,本文提出一种无监督降质学习和数据增广方法用于低光照图像增强,其中包括设计两阶段的网络来学习低光降质的内在特性以及重新恢复低光图像的亮度和纹理细节.受彩色图像成像原理的启发,本文将低光图像增强任务分解为降质学习环境干扰去除,和图像本体细节和颜色细化表达.具体来讲,本文首先从低光输入中估计降质以模拟环境关照因素导致的失真,然后细化内容以恢复漫射导致的内容和对比度损失,并设计一种新颖的降质学习和内容细化网络.在低光图像增强和联合检测任务上的大量实验验证了本文算法的有效性和效率.

摘要：在低光环境下,人脸图像增强是许多任务的重要恢复方法。然而,现有的低光环境下人脸超分辨率方法通常依赖于低光增强和超分算法的序列建模。遗憾的是,由于优化目标之间的差异,使用这种方法来增强人脸图像很容易导致伪影或噪声。为了应对这一挑战,本文提出了一个端到端的低光人脸图像超分辨率网络(low-light face super resolution network,LFSRNet)。该网络由浅层特征提取、深层特征提取和特征过滤上采样3个模块组成。首先浅层特征模块将输入的低光、低分辨率人脸图像映射到特征空间。随后,深度特征提取模块对其进行亮度校正并细化结构。最后,特征过滤上采样模块处理提取到的特征并重建人脸图像。此外,为了更好地重建丢失的面部细节本文还设计了一个损失函数faceMaskLoss。大量实验证明了所提模型的有效性。

摘要：针对煤矿井下环境光线昏暗、光照不均等问题,文章提出了一种基于区域光照约束和Retinex理论的无监督低光图像增强方法。通过构建并优化基于Retinex理论的欠曝光模型,设计了特征增强模块以生成光照映射和增强图像,同时引入噪声抑制模块以降低图像噪声。通过光照约束的计算,有效避免了过度曝光和颜色不饱和等问题。实验结果表明,该方法在自有数据集上表现优异;与现有最先进方法相比,NIQE指标提升了5%,BRISQUE指标提升了3%。此外,该方法具有较低的计算复杂度和更快的训练速度,在矿井低光图像增强任务中展现出显著优势。