研究目的
通过提出一种对抗性上下文聚合网络,解决低光照图像中动态范围低和噪声的问题,并克服传统卷积神经网络因感受野较小而产生的视觉伪影。
研究成果
所提出的ACA网络在低光照图像增强方面实现了最先进的性能,与MSR网络相比,其更高的PSNR和SSIM分数证明了这一点。该网络能有效聚合全局上下文信息,并通过对抗学习生成自然图像,因而适用于各类计算机视觉任务。未来工作可包括在真实低光照图像上进行测试及进一步优化。
研究不足
该方法依赖于合成的低光照图像进行训练,可能无法完全捕捉真实世界中的低光照条件。网络架构和超参数(如学习率、批次大小)可能需要针对不同的数据集或应用进行调优。在大规模数据集上进行训练需要计算资源。
1:实验设计与方法选择:
所提方法采用对抗式上下文聚合网络(ACA-net),通过全分辨率中间层聚合全局上下文。具体包括利用伽马校正提升图像亮度、通过卷积层进行特征提取,并采用L1像素级重建损失与对抗损失进行训练。
2:样本选择与数据来源:
使用包含约25万张图像的AVA数据集,按80%训练集和20%测试集划分。低光照图像通过在HSV色彩空间中对亮度通道进行缩放和伽马校正合成。
3:实验设备与材料清单:
基于Tensorflow框架,在单块Titan X GPU(Pascal架构)上实现。
4:实验流程与操作步骤:
通过两种伽马校正函数增强低光照图像,利用卷积层与LReLU层计算特征图并拼接特征,输入含空洞卷积的CAN网络,采用指定参数的Adam优化器训练。
5:数据分析方法:
在测试集上使用PSNR和SSIM指标评估性能,并包含BSD数据集的交叉验证。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容