阅读论文《LLCNN: A convolutional neural network for low-light image enhancement》
发布时间
阅读量：
阅读量
该研究论文发表于2017年的VCIP期刊中，并采用了基于神经网络模型的图像增强技术。研究者基于神经网络模型设计了一种新的图像增强算法，并通过实验验证其有效性与可行性。具体而言，在实验过程中研究人员将原始图像数据输入到预训练的深度神经网络中进行特征提取与重构处理，并通过反馈机制不断优化算法参数以提高图像质量评估指标的成绩
该网络采用两个连续的卷积层分别作为输入与输出，并在中间部分包含多个独立的卷积模块构成架构主体。其中每个卷积模块均具有64个特征通道，在设计上借鉴了残差网络与inception模型的基本思路：即在进入深度学习计算前将信息分道扬镳并分别进行处理，在完成基本运算后再进行整合优化以提升整体性能
该网络采用SSIM-Loss作为损失函数，在实际应用中发现传统的MSE（均方误差）通常会考虑亮度变化对结果的影响，并因此影响PSNR（Peak Signal-to-Noise Ratio）的表现。在这里采用SSIM算法作为损失函数能够更好地保留图像中的纹理细节，并且根据以下公式可以看出其优势所在：
则损失可表示为 Loss=\frac{1}{N}\sum (1-SSIM(p))
在训练过程中,由于缺乏对应的 ground-truth 图像信息,我们采用了普通自然图像作为目标图像,并将其经过衰减处理后得到的图像作为低光照条件下的输入图象.通过对比实验从网络深度、损失函数形式以及卷积神经网络(CNN)架构等方面深入探讨其对结果的影响,并将实验结果与现有研究进行了对比验证,具体实验数据如表所示
增亮效果图如下：
全部评论 (0)
还没有任何评论哟~