簡(jiǎn)介

（1）論文2：
Attention Guided Low-light Image Enhancement with a Large Scale Low-light Simulation Dataset
（2）論文鏈接：
https://arxiv.org/pdf/1908.00682v3.pdf
（3）源代碼鏈接：
https://github.com/Lvfeifan/MBLLEN

主要idea

弱光圖像增強(qiáng)具有一定的挑戰(zhàn)性，因?yàn)樗粌H需要考慮亮度恢復(fù)，還需要考慮顏色失真和噪聲等復(fù)雜問題，這些問題通常隱藏在黑暗中。簡(jiǎn)單地調(diào)整低光圖像的亮度將不可避免地放大這些偽影。本文提出了一種基于多分支卷積神經(jīng)網(wǎng)絡(luò)的端到端注意力引導(dǎo)方法，且在多個(gè)數(shù)據(jù)集上的大量實(shí)驗(yàn)表明，我們的方法可以產(chǎn)生高保真的低光圖像增強(qiáng)結(jié)果，并在數(shù)量和視覺上大大優(yōu)于現(xiàn)有的先進(jìn)方法。

實(shí)驗(yàn)簡(jiǎn)介

首先用精心設(shè)計(jì)的弱光模擬策略構(gòu)建一個(gè)合成數(shù)據(jù)集。該數(shù)據(jù)集比現(xiàn)有數(shù)據(jù)集更大、更多樣化。利用新的數(shù)據(jù)集進(jìn)行訓(xùn)練，學(xué)習(xí)兩個(gè)注意圖分別指導(dǎo)亮度增強(qiáng)和去噪任務(wù)。第一種注意圖區(qū)分了曝光不足和光照充足的區(qū)域，第二種注意圖區(qū)分了噪聲和真實(shí)紋理。
實(shí)驗(yàn)環(huán)境：
python
數(shù)據(jù)集：
Training set contains three sub-sets:
1.train (Original images as the ground truth, image size is 256256, JPG image)
2.train_dark (Synthetic lowlight images without additional noise, image size is 256256, JPG image)
3.train_lowlight (Synthetic lowlight images with Poisson noise, image size is 256*256, JPG image)
model：
LOL_img_lowlight.h5
Syn_img_lowlight.h5
Syn_img_lowlight_withnoise.h5（默認(rèn)模型）
運(yùn)行步驟：
1）可以直接運(yùn)行test.py，輸入為input文件下圖片，默認(rèn)使用Syn_img_lowlight_withnoise.h5模型，輸出在result文件夾。
2）也可以直接用自己的數(shù)據(jù)集訓(xùn)練模型在在運(yùn)行，訓(xùn)練模型是運(yùn)行train.py,要注意更改代碼中數(shù)據(jù)集的地址。

實(shí)驗(yàn)結(jié)果

輸出結(jié)果為輸入的每一張圖增加為三張，第一張為原圖，第二張為將光線不足的區(qū)域與光線充足的區(qū)域區(qū)分開所得到的圖，第三張為將噪聲與真實(shí)紋理區(qū)分開的圖
（1）Syn_img_lowlight_withnoise模型




（2）Syn_img_lowlight模型




（3）LOL_img_lowlight模型

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來(lái)咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的二维码提升对比度文献调研(4)--Attention Guided Low-light Image Enhancement的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。