Bridging Robustness and Efficiency: Real-Time Low-Light Enhancement via Attention U-Net GAN
Dept. of Computer Science New York University(计算机科学系纽约大学)
本文提出一种注意力U-Net GAN模型,通过轻量主干和条件对抗框架,在保持实时推理速度的同时实现高效的低光照图像增强。
2026-01-10 cs.CV
Attention Guided Low-light Image Enhancement with a Large Scale Low-light Simulation Dataset
弱光图像增强具有挑战性,因为它不仅需要考虑亮度恢复,还需要考虑颜色失真和噪声等复杂问题,这些问题通常隐藏在黑暗中。简单地调整低光图像的亮度将不可避免地放大这些伪影。针对这一难题,提出了一种基于多分支卷积神经网络的端到端注意力引导方法。为此,我们首先用精心设计的低光模拟策略构建了一个合成数据集。该数据集比现有数据集更大,更多样化。使用新的数据集进行训练,我们的方法学习两个注意力图,分别指导亮度增强和去噪任务。第一个注意力图区分曝光不足的区域和光线充足的区域,第二个注意力图区分噪声和真实纹理。在它们的指导下,所提出的多分支分解与融合增强网络以输入自适应的方式工作。此外,增强网进一步增强了输出图像的颜色和对比度。在多个数据集上的大量实验表明,我们的方法可以为低光图像产生高保真度的增强结果,并且在定量和视觉上都大大优于当前最先进的方法。
2020-03-15 cs.CV eess.IV
Overcoming Attention Drift: Homogeneity-Heterogeneity Guided Feature Aggregation for Low-Light Remote Sensing Image Enhancement
School of Information and Artificial Intelligence, Yunnan University of Finance and Economics(云南财经大学信息与人工智能学院);Department of Computer Science, Hong Kong Baptist University(香港浸会大学计算机科学系);School of Electronics and Information, Northwestern Polytechnical University(西北工业大学电子信息学院)
针对低光照遥感图像增强中现有方法的注意力漂移问题,提出双先验驱动的HALO框架,通过H2CAM模块融合同质性与异质性先验,在8个基准上实现SOTA性能,提升边界清晰度与色彩保真度。
2026-08-07 cs.CV
A Non-Uniform Low-Light Image Enhancement Method with Multi-Scale Attention Transformer and Luminance Consistency Loss
Beijing University of Posts and Telecommunications(北京邮电大学);China Electric Power Research Institute Company Limited(中国电力科学研究院有限公司);Tianjin University(天津大学);State Grid Shanxi Marketing Service Center(国网山西省电力公司营销服务中心)
针对非均匀光照下低光图像增强的过曝和欠曝问题,提出MSATr多尺度注意力Transformer,结合全局分支和亮度一致性损失,在多个基准上超越现有方法。
2023-12-27 cs.CV
Real-Time Underwater Image Enhancement via Frequency-Guided Dual-Path Attention
Glasgow College, UESTC, Chengdu, China(格拉斯哥学院,UESTC,成都,中国);School of Information and Communication Engineering, UESTC, Chengdu, China(信息与通信工程学院,UESTC,成都,中国);University of Glasgow, Glasgow, UK(格拉斯哥大学,格拉斯哥,英国)
提出一种轻量级实时水下图像增强框架,通过频域引导双路径注意力融合空间与频谱特征,仅4.23K参数实现600+ FPS,性能超越大模型。
2026-06-29 cs.CV
Low-light Enhancement Method Based on Attention Map Net
微光图像增强是一些复杂视觉任务的重要预处理任务。目标检测、图像分割和图像识别结果都直接受到图像增强的影响。然而,目前使用的大多数图像增强技术并没有产生令人满意的结果,并且这些增强的网络具有相对较弱的鲁棒性。我们提出了一种改进的网络称为BrightenNet,使用U-Net作为其主要结构,并结合了一些不同的注意力机制作为解决这个问题的方案。在具体的应用中,我们采用网络作为生成器和LSGAN作为训练框架,以达到更好的增强效果。我们证明了所提出的网络BrightenNet的有效性,在本文中的实验如下。它产生的结果既能保持图像细节,又符合人类视觉标准。
2023-03-16 cs.CV eess.IV
LEUGAN:Low-Light Image Enhancement by Unsupervised Generative Attentional Networks
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院)
从弱光数据恢复图像是一个具有挑战性的问题。大多数现有的基于深度网络的算法都被设计为使用成对图像进行训练。由于缺乏真实世界的数据集,他们通常表现不佳时,在实践中推广的图像边缘和颜色信息的损失。在本文中,我们提出了一个无监督的生成网络与注意力指导处理低光图像增强任务。具体来说,我们的网络包含两个部分:一个边缘辅助模块,用于恢复更清晰的边缘;一个注意力引导模块,用于恢复更逼真的颜色。此外,我们提出了一种新的损失函数,使生成的图像的边缘更明显。实验验证,我们提出的算法与最先进的方法相比表现良好,特别是对于真实世界的图像,在图像清晰度和噪声控制方面。
2020-12-24 cs.CV eess.IV
Low-light Image Enhancement via Multi-scale Attention combined with Fourier Transform
East China University of Science and Technology(华东理工大学);Tongji University(同济大学);Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University(同济大学上海智能自主系统研究院)
研究低光照图像增强问题,提出基于多尺度注意力与傅里叶变换结合的MSFT网络,通过独特架构、信息融合及注意力机制有效增强图像,在多个数据集实验中显著优于现有方法。
2026-07-28 cs.CV
Half Wavelet Attention on M-Net+ for Low-Light Image Enhancement
National Chung Hsing University(国立中兴大学);National Taichung University of Science and Technology(国立台中科技大学)
弱光图像增强是一项计算机视觉任务,它将暗图像增强到适当的亮度。它也可以被看作是一个不适定的问题,在图像恢复领域。随着深度神经网络的成功,卷积神经网络超越了传统的基于算法的方法,成为计算机视觉领域的主流。为了提高增强算法的性能,我们提出了一个图像增强网络(HWMNet)的基础上改进的层次模型:M-Net+。具体来说,我们在M-Net+上使用半小波注意力块来丰富小波域的特征。此外,我们的HWMNet在定量指标和视觉质量方面对两个图像增强数据集具有竞争力的性能结果。源代码和预训练模型可在https://github.com/FanChiMao/HWMNet上获得。
2022-03-02 cs.AI cs.CV cs.MM
Rethinking Model Redundancy for Low-light Image Enhancement
本文重新审视低光图像增强中的模型冗余,提出注意力动态重分配(ADR)和参数正交生成(POG)两种技术,分别缓解参数有害性与参数无用性,从而在减轻冗余的同时提升增强性能。
2025-08-16 cs.CV
Attention-Aware Face Hallucination via Deep Reinforcement Learning
Sun Yat-sen University(中山大学)
人脸幻觉是一个特定领域的超分辨率问题,其目标是从低分辨率(LR)输入图像生成高分辨率(HR)人脸。与现有的方法,往往学习一个单一的补丁到补丁的映射从LR到HR图像和补丁之间的上下文相互依赖性无关,我们提出了一种新的注意力感知的人脸幻觉(Attention-FH)框架,该框架采用深度强化学习顺序发现出席补丁,然后通过充分利用图像的全局相互依赖性进行面部部分增强。具体来说,在每个时间步,经常性的政策网络提出了动态指定一个新的参加区域,结合过去发生的事情。国家(即,整个图像的面部超分辨率结果)因此可以由局部增强网络在所选区域上利用和更新。Attention-FH方法通过最大化反映整个图像的幻觉性能的长期奖励来联合学习递归策略网络和局部增强网络。因此,我们提出的Attention FH能够根据人脸图像自身的特点自适应地为每个人脸图像个性化最佳搜索路径。大量的实验表明,我们的方法显着超过了国家的最先进的在野外的脸与大的姿态和照明变化。
2017-08-10 cs.CV
DALE : Dark Region-Aware Low-light Image Enhancement
Chung-Ang University(中央大学)
在本文中,我们提出了一种新的低光图像增强方法称为暗区感知的低光图像增强(DALE),其中暗区准确地识别所提出的视觉注意力模块和他们的亮度被强烈增强。我们的方法可以使用超像素以有效的方式估计视觉注意力,而无需任何复杂的过程。因此,该方法可以保持原始图像的颜色、色调和亮度,并且防止图像的正常照明区域饱和和失真。实验结果表明,我们的方法准确地识别暗区,通过提出的视觉注意,定性和定量优于国家的最先进的方法。
2020-08-28 cs.CV eess.IV
M2Retinexformer: Multi-Modal Retinexformer for Low-Light Image Enhancement
Alexandria University, Egypt(亚历山大大学,埃及)
本文提出M2Retinexformer,通过融合深度线索、亮度先验和语义特征,改进低光图像增强效果,实验表明优于现有方法。
2026-05-11 cs.CV
Reinforced Swin-Convs Transformer for Underwater Image Enhancement
Ningbo University(宁波大学)
水下图像增强(UIE)技术旨在解决由于光的吸收和散射而引起的水下图像退化的恢复问题。针对这一问题,提出了一种基于U网的增强型Swin-Convs Transformer水下图像增强方法(URSCT-UIE)。具体来说,针对基于纯卷积的U-Net的不足,将Swin Transformer嵌入到U-Net中,提高了U-Net对全局依赖的捕捉能力。然后,考虑到Swin Transformer捕获局部注意力的不足,卷积的重新引入可以捕获更多的局部注意力。因此,我们提供了一种巧妙的方式来融合卷积和核心注意力机制,以构建增强的Swin-Convs Transformer块(RSCTB)来捕获更多的局部注意力,该局部注意力在Swin Transformer的通道和空间注意力中得到增强。最后,在现有数据集上的实验结果表明,与其他方法相比,所提出的URSCT-UIE在主观和客观评价方面都达到了最先进的性能。代码将在验收后发布在GitHub上。
2022-05-01 cs.CV eess.IV
Retinexmamba: Retinex-based Mamba for Low-light Image Enhancement
Shanghai University(上海大学);Yunnan University(云南大学);Shanghai Jiao Tong University(上海交通大学)
针对现有低光照图像增强方法的缺陷,提出结合传统Retinex物理特性与深度学习框架、引入SSM与融合注意力的RetinexMamba架构,在LOL数据集上表现优于现有同类方法。
2024-05-20 cs.CV
SGUIE-Net: Semantic Attention Guided Underwater Image Enhancement with Multi-Scale Perception
Ocean University of China(中国海洋大学);Qingdao University(青岛大学);China University of Geosciences(中国地质大学)
由于光的波长依赖性衰减、折射和散射,水下图像通常会出现颜色失真和细节模糊。然而,由于与未失真图像作为参考的成对水下图像的数量有限,训练针对不同退化类型的深度增强模型是相当困难的。为了提高数据驱动方法的性能,必须建立更有效的学习机制,从有限的训练样本资源中挖掘更丰富的监督信息。在本文中,我们提出了一种新的水下图像增强网络,称为SGUIE-Net,在其中我们引入语义信息作为共享共同语义区域的不同图像的高级指导。相应地,我们提出了语义区域增强模块,从多个尺度感知不同语义区域的退化,并将其反馈到从其原始尺度提取的全局注意力特征。该策略有助于实现对不同语义对象的鲁棒和视觉上令人愉快的增强,这应该归功于语义信息的指导,以进行差异化增强。更重要的是,对于那些在训练样本分布中不常见的退化类型,指南根据它们的语义相关性将它们与已经学习得很好的类型联系起来。在公开数据集和我们提出的数据集上进行的大量实验证明了SGUIE-Net令人印象深刻的性能。代码和建议的数据集可在https://trentqq.github.io/SGUIE-Net.html上获得
2022-01-08 cs.CV eess.IV
DeepRemaster: Temporal Source-Reference Attention Networks for Comprehensive Video Enhancement
University of Tsukuba(筑波大学);Waseda University(早稻田大学);JST PRESTO(日本科学技术振兴机构 PRESTO 计划)
复古电影的重制包括多种子任务,包括超分辨率,噪音消除和对比度增强,旨在将劣化的电影介质恢复到其原始状态。此外,由于当时的技术限制,大多数老式电影要么以黑白记录,要么具有低质量的颜色,因此需要彩色化。在这项工作中,我们提出了一个单一的框架来解决整个重制任务半交互式。我们的工作是基于时间卷积神经网络与注意力机制训练的视频与数据驱动的恶化模拟。我们提出的源参考注意力允许模型处理任意数量的参考彩色图像来着色长视频,而无需分割,同时保持时间一致性。定量分析表明,我们的框架优于现有的方法,并且,与现有的方法相比,我们的框架的性能随着视频的长度和参考彩色图像的增加而增加。
2020-09-18 cs.CV cs.GR
Thresholded Cross-Attention for Reliable Intensity-Chromaticity Fusion in Low-Light Image Enhancement
School of Information Engineering, Guangdong University of Technology(广东工业大学信息工程学院);School of Computer Science, Wuhan University(武汉大学计算机科学学院);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Department of Computer Science, University of Macau(澳门大学计算机科学系);Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院)
研究低光图像增强中强度与色度融合问题,提出TCA-Net网络,核心为阈值交叉注意力,通过固定置信度阈值自适应保留高置信度跨流交互,还有互补设计及正则化,实验证明该网络在恢复精度、颜色保真度和参数大小方面表现出色。
2026-07-16 cs.CV
TSN-CA: A Two-Stage Network with Channel Attention for Low-Light Image Enhancement
微光图像增强是一项具有挑战性的低层次计算机视觉任务,因为在我们增强图像的亮度之后,我们必须处理放大的噪声、颜色失真、细节丢失、边缘模糊、阴影块和光晕伪影。在本文中,我们提出了一个两阶段的网络与通道注意力(表示为TSN-CA),以提高低光图像的亮度和恢复增强的图像从各种退化。在第一阶段,我们在HSV空间中增强弱光图像的亮度,并利用H和S通道的信息来帮助恢复V通道中的细节。在第二阶段,我们将通道注意力(CA)机制集成到U-Net的跳过连接中,以恢复亮度增强的图像,从RGB空间中的严重退化。我们训练和评估我们提出的模型在LOL真实世界和合成数据集上的性能。此外,我们还在其他几个常用的数据集上测试了我们的模型,而没有Ground-Truth。实验结果表明,该方法在增强图像亮度的同时,还能有效地去除图像中的噪声、细节和光晕。我们的方法优于许多其他国家的最先进的方法定性和定量。
2021-10-06 cs.CV eess.IV
Realistic Saliency Guided Image Enhancement
Simon Fraser University(西蒙弗雷泽大学);Adobe Research(奥多比研究院)
针对显著性引导图像增强易出现不真实编辑的问题,提出真实感损失函数,在弱化干扰、强化主体的同时保持高真实感,经专业摄影师评估效果优于现有方法且资源消耗更低。
2023-06-09 cs.CV
A Multi-Scale Spatial Attention-Based Zero-Shot Learning Framework for Low-Light Image Enhancement
School of Information Engineering, Xi’an Eurasia University, Xi’an, 710065, Shaanxi, China(西安欧亚大学信息工程学院);Department of Electrical Engineering, University of Engineering and Technology Lahore(拉合尔工程与技术大学电气工程系);Department of Computer Science, University of Engineering and Technology Lahore(拉合尔工程与技术大学计算机科学系)
本文提出LucentVisionNet,一种结合多尺度空间注意力和深度曲线估计的零样本低光图像增强框架,采用循环增强和六组件复合损失,在多个基准上超越现有方法,适用于移动摄影等实际场景。
2025-06-23 cs.AI cs.CV eess.IV
LE2Fusion: A novel local edge enhancement module for infrared and visible image fusion
Jiangnan University(江南大学)
LE2Fusion通过局部边缘增强模块和多尺度残差注意力机制,改善复杂光照下红外与可见光图像融合的边缘信息与细节保留,并在公开数据集上优于现有方法。
2023-05-27 cs.CV
RAUNE-Net: A Residual and Attention-Driven Underwater Image Enhancement Method
Ocean University of China(中国海洋大学);Qingdao University of Technology(青岛理工大学);Beijing Institute of Technology(北京理工大学)
本文提出RAUNE-Net水下图像增强网络,通过瓶颈处高层特征残差学习与下采样中的注意力操作提升鲁棒性和适应性,并构建两个专用数据集验证其在多种真实水下图像上优于八种现有方法。
2023-11-01 cs.CV eess.IV
Separated Attention: An Improved Cycle GAN Based Under Water Image Enhancement Method
Vellore Institute of Technology, Chennai(韦洛尔理工大学金奈分校)
针对水下图像增强问题,提出一种引入深度导向注意力改进损失函数的Cycle GAN模型,在EUPV数据集上训练后,在对比度增强及下游水下视觉任务中表现优于传统模型,适用于AUV视觉导航。
2024-04-11 cs.CV eess.IV
CDAN: Convolutional dense attention-guided network for low-light image enhancement
Bu-Ali Sina University(布阿里·锡纳大学)
本文提出用于低光照图像增强的卷积密集注意力引导网络(CDAN),结合自编码器、卷积密集块与注意力机制,并辅以后期处理优化色彩与对比度,在基准数据集上表现优异,有效恢复纹理与色彩,提升了低光照条件下的目标检测与识别能力。
2024-10-11 cs.AI cs.CV cs.LG
Feature Attention Network (FA-Net): A Deep-Learning Based Approach for Underwater Single Image Enhancement
University of Science and Technology of China(中国科学技术大学);Shenyang Aerospace University(沈阳航空航天大学)
针对水下图像增强中低频信息处理限制网络表征能力的问题,提出基于深度学习和特征注意力的端到端网络FA-Net,通过残差特征注意力块提升高频学习,实验证明其性能优于现有方法。
2023-08-30 cs.CV eess.IV
ISALux: Illumination and Segmentation Aware Transformer Employing Mixture of Experts for Low Light Image Enhancement
Department of Computer Science University of Manchester(计算机科学系曼彻斯特大学);Department of Computer and Information Technology Politehnica University of Timisoara(计算机与信息科技系蒂森纳理工大学)
该研究提出ISALux,一种基于Transformer的低光照图像增强方法,通过混合光照与语义感知多头自注意力(HISA-MSA)模块及专家混合(MoE)前馈网络,结合LoRA解决过拟合,在多个数据集上与SOTA方法竞争力强。
2025-08-25 cs.CV
Underwater enhancement based on a self-learning strategy and attention mechanism for high-intensity regions
Federal University of Rio Grande(里奥格兰德联邦大学)
在水下活动期间获取的图像受到水的环境特性的影响,例如浊度和光衰减。这些现象会导致颜色失真、模糊和对比度降低。此外,不规则的环境光分布导致颜色通道不平衡和具有高强度像素的区域。最近与水下图像增强相关的工作,基于深度学习方法,解决了缺乏生成合成地面实况的成对数据集的问题。在本文中,我们提出了一种基于深度学习的水下图像增强自监督学习方法,该方法不需要配对数据集。所提出的方法估计存在于水下图像的退化。此外,自动编码器重建该图像,并且其输出图像使用估计的劣化信息劣化。因此,该策略在训练阶段用损失函数中的退化版本替换输出图像。该过程\textit{misleads}学习补偿附加退化的神经网络。结果,重建图像是输入图像的增强版本。此外,该算法提出了一个注意模块,以减少增强图像中产生的高强度区域的颜色通道不平衡和离群区域。此外,拟议的方法不需要地面实况。此外,仅使用真实水下图像对神经网络进行训练,结果表明该方法在颜色保持、色偏减少和对比度提高方面是有效的。
2022-08-04 cs.CV eess.IV
UIEC^2-Net: CNN-based Underwater Image Enhancement Using Two Color Space
Tianjin University(天津大学)
近年来,随着海洋资源开发的兴起,水下图像增强技术受到了广泛的关注。得益于卷积神经网络(CNN)强大的表示能力,近年来提出了多种基于CNN的水下图像增强算法。然而,几乎所有的这些算法采用RGB颜色空间设置,这是不敏感的图像属性,如亮度和饱和度。为了解决这个问题,我们提出了水下图像增强卷积神经网络使用2个颜色空间(UICE^2-Net),有效地和有效地集成RGB颜色空间和HSV颜色空间在一个单一的CNN。据我们所知,该方法是第一个基于深度学习使用HSV颜色空间进行水下图像增强的方法。UIEC^2-Net是一个端到端的可训练网络,由以下三个模块组成:RGB像素级模块实现去噪、去偏色等基本操作,HSV全局调整模块采用新型神经曲线层对水下图像亮度、颜色以及注意图块,用于通过将权重分配给每个像素来组合RGB和HSV块输出图像的优点。对合成和真实水下图像的实验结果表明,我们提出的方法在主观比较和客观度量的良好性能。代码可在https://github.com/BIGWangYuDong/UWEnhancement上获得。
2021-04-13 cs.CV
AquaDiff: Diffusion-Based Underwater Image Enhancement for Addressing Color Distortion
AquaDiff通过融合色先验和条件扩散过程,有效纠正水下图像颜色失真,提升整体图像质量。
2025-12-15 cs.CV
UMLE: Unsupervised Multi-discriminator Network for Low Light Enhancement
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院)
微光图像增强是一项复杂而重要的任务,如从微光图像中恢复颜色和纹理细节。对于自动驾驶来说,低光场景将对基于视觉的应用产生严重影响。为了解决这个问题,我们提出了一个实时无监督生成对抗网络(GAN)包含多个鉴别器,即多尺度鉴别器,纹理鉴别器和颜色鉴别器。这些不同的鉴别器允许从不同的角度评价图像。此外,考虑到不同通道特征包含的信息不同,以及图像中光照不均匀,我们提出了一个特征融合注意模块。该模块结合通道注意和像素注意机制来提取图像特征。此外,为了减少训练时间,我们采用了一个共享的编码器的生成器和嵌入式系统。这使得模型的结构更加紧凑,训练更加稳定。实验结果表明,该方法在定性和定量评价方面均优于现有方法,自动驾驶仪定位和检测结果均得到显著改善。
2020-12-25 cs.CV eess.IV
Feedback Graph Attention Convolutional Network for Medical Image Enhancement
伪影、模糊和噪声是采集过程中降低MRI图像质量的常见失真,而深度神经网络已被证明有助于提高图像质量。为了更好地利用全局结构信息和纹理细节,我们提出了一种新的生物医学图像增强网络,名为反馈图注意卷积网络(FB-GACN)。作为一个关键的创新,我们认为通过建立一个图形网络从图像的子区域,我们认为是节点功能,连接它们的非本地根据它们的相似性图像的全局结构。该模型由三个主要部分组成:1)并行图相似性分支和内容分支,其中图相似性分支旨在利用低分辨率特征空间中不同图像子区域之间的相似性和对称性,并为内容分支提供额外的先验信息以增强纹理细节。2)一种具有循环结构的反馈机制,通过处理反馈连接,用高级信息改进低级表示,并生成强大的高级纹理细节。3)利用从图相似性分支中得到的子区域相关先验估计进行重建,以去除伪影并恢复超分辨率图像。我们在两个图像增强任务上评估我们的方法:i)扩散MRI的跨协议超分辨率; ii)FLAIR MR图像的伪影去除。实验结果表明,该算法优于国家的最先进的方法。
2021-04-13 cs.CV cs.LG eess.IV
A 7K Parameter Model for Underwater Image Enhancement based on Transmission Map Prior
College of Intelligent Systems Science and Engineering(智能系统科学与工程学院);Harbin Engineering University(哈尔滨工程大学)
提出基于透射图先验的轻量级选择性注意力网络LSNet,仅用7K参数实现97%PSNR,在资源受限平台上高效增强水下图像。
2024-05-25 cs.CV eess.IV
Linear Array Network for Low-light Image Enhancement
ShanXi University(山西大学);Shanghai Jiao Tong University(上海交通大学);Shanghai AI Lab(上海人工智能实验室);Megvii Inc.(旷视科技有限公司);Beijing Institute of Technology(北京理工大学)
基于卷积神经网络(CNN)的图像增强方法以其优异的性能在微光图像增强中占据主导地位。然而,卷积运算是基于一个局部滑动窗口机制,这是很难构建的特征图的长程依赖。同时,基于自注意的全局关系聚合方法在计算机视觉中得到了广泛的应用,但这些方法由于计算复杂度高,计算复杂性大,难以处理高分辨率图像。针对这一问题,提出了一种线性阵列自注意(LASA)机制,该机制仅使用两个二维特征编码构造三维全局权值,然后对卷积层生成的特征图进行细化。在LASA的基础上,提出了线性阵列网络(LAN)方法,该方法在基于RGB和RAW的弱光增强任务中均优于现有的SOTA方法,且参数较少。代码发布在https://github.com/cuiziteng/LASA_enhancement上。
2022-02-16 cs.CV eess.IV
Transmission and Color-guided Network for Underwater Image Enhancement
Zhejiang University of Technology(浙江工业大学)
本文提出ATDCnet水下图像增强网络,通过自适应透射率引导模块、动态颜色引导模块和带注意力与多阶段特征融合的编码器-解码器补偿结构,同时解决颜色偏差和低对比度问题,在多个基准数据集上取得最先进性能。
2023-08-09 cs.CV eess.IV
Lightweight Spatial-Channel Adaptive Coordination of Multilevel Refinement Enhancement Network for Image Reconstruction
College of Information Science and Engineering, Xinjiang University(新疆大学信息科学与工程学院)
受益于深度学习的蓬勃发展,许多基于CNN的图像超分辨率方法应运而生,并取得了比传统算法更好的效果。但是,大多数算法很难同时自适应地调整空间区域和信道特征,更不用说它们之间的信息交换了。此外,注意模块之间的信息交换对研究人员来说更是不可见。为了解决这些问题,我们提出了一种轻量级的空间通道自适应协调的多级细化增强网络(MREN)。具体而言,我们构建了一个空间通道自适应协调块,使网络能够学习不同感受野下感兴趣的空间区域和通道特征信息。此外,空间部分和通道部分之间借助跳转连接进行相应特征处理层次的信息交换,实现两者的协调。我们通过简单的线性组合运算,在注意力模块之间建立起沟通桥梁,从而更准确、持续地引导网络关注感兴趣的信息。在几个标准测试集上的大量实验表明,我们的MREN实现了优于其他先进算法的性能,具有非常少的参数和非常低的计算复杂性。
2022-09-17 cs.CV eess.IV
A Coarse-to-Fine Framework for Learned Color Enhancement with Non-Local Attention
University of Science and Technology of China(中国科学技术大学)
自动色彩增强的目的是自适应地调整照片,以预期的风格和色调。对于该领域的现有学习方法,很难在单个模型中同时考虑全局和谐感知和局部细节。为了解决这个问题,我们提出了一个由粗到细的框架与非局部注意力的颜色增强在本文中。在我们的框架内,我们建议将增强过程分为通道级增强和像素级细化,由两个级联的卷积神经网络(CNN)执行。在通道增强中,我们的模型预测输入图像的RGB通道的全局线性映射,以执行全局样式调整。在逐像素细化中,我们使用残差学习进行局部调整来学习细化映射。此外,我们采用了一个非局部的注意力块,以捕捉长期依赖的全球信息,为后续的细粒度的局部细化。我们在常用的基准上评估我们提出的框架,并进行足够的实验来演示其中的每个技术组件。
2019-07-20 cs.CV
ACNet: Mask-Aware Attention with Dynamic Context Enhancement for Robust Acne Detection
Korea University(高丽大学)
计算机辅助诊断以其成本低、时间效率高的优点,近年来受到人们的关注。虽然深度学习在最近痤疮检测的成功中发挥了重要作用,但仍然存在几个挑战,例如不一致照明引起的颜色偏移,尺度变化和高密度分布。为了解决这些问题,我们提出了一个痤疮检测网络,它由三个组件组成,具体来说:复合特征细化,动态上下文增强和面具感知多注意力。首先,复合特征细化集成语义信息和细节,以丰富的特征表示,这减轻了不平衡的照明的不利影响。然后,动态上下文增强控制多尺度特征的不同感受野进行上下文增强,以处理尺度变化。最后,Mask-Aware Multi-Attention通过抑制无信息区域并突出显示可能的痤疮区域来检测密集排列的小痤疮。在痤疮图像数据集ACNE 04和自然图像数据集PASCAL VOC 2007上进行实验。我们展示了我们的方法如何实现国家的最先进的ACNE 04和竞争力的性能与以前的国家的最先进的方法在PASCAL VOC 2007年的结果。
2021-12-17 cs.CV
Attention to details, logits to truth: visual-aware attention and logits enhancement to mitigate hallucinations in LVLMs
Fujitsu Research and Development Center(富士通研发中心)
本文提出一种无需训练的注意力干预算法,通过增强任务相关token的注意力和改进解码过程,有效减少LVLMs中的幻觉问题。
2026-02-10 cs.CV
A Review of YOLOv12: Attention-Based Enhancements vs. Previous Versions
Huddersfield University(哈德斯菲尔德大学)
本文综述YOLOv12,其通过Area Attention、Residual Efficient Layer Aggregation Networks等注意力增强架构,在保留实时性能的同时提升精度,经基准测试优于前代YOLO,推进实时目标检测。
2025-04-16 cs.CV
Low Light Video Enhancement by Learning on Static Videos with Cross-Frame Attention
Indian Institute of Science(印度科学学院)
由于难以捕获低光和地面实况视频对,用于低光视频增强的深度学习方法的设计仍然是一个具有挑战性的问题。这在动态场景或移动相机的背景下尤其困难,其中长时间曝光的地面实况不能被捕获。我们通过在静态视频上训练模型来解决这个问题,这样模型就可以推广到动态视频。采用这种方法的现有方法逐帧操作,并且不利用相邻帧之间的关系。我们通过一个自交叉扩张注意力模块克服了这一限制,该模块可以有效地学习使用来自相邻帧的信息,即使在训练和测试期间帧之间的动态不同。我们通过在多个数据集上的实验验证了我们的方法,并表明我们的方法在仅在静态视频上训练时优于其他最先进的视频增强算法。
2022-10-09 cs.CV
Row-Column Separated Attention Based Low-Light Image/Video Enhancement
School of Artificial Intelligence, Jilin University, China(吉林大学人工智能学院);College of Software, Jilin University, China(吉林大学软件学院);Institute of Computing Technology, Chinese Academy of Sciences, China(中国科学院计算技术研究所)
本文提出了一种行-列分离注意力模块(RCSA),用于改进U-Net结构以增强低光照图像和视频,通过减少参数和计算量来利用全局信息指导局部信息,同时提出两种时间损失函数以保持时间一致性。
2026-02-07 cs.CV
On Learning the Right Attention Point for Feature Enhancement
Shenzhen University(深圳大学);The Chinese University of Hong Kong(香港中文大学);National University of Defense Technology(国防科技大学);Simon Fraser University(西蒙弗雷泽大学)
我们提出了一种新的基于注意力的机制来学习点云处理任务的增强点特征,例如,分类和分割。与先前的工作不同,这些工作被训练来优化预先选择的一组注意点的权重,我们的方法学习定位最佳注意点,以最大限度地提高特定任务的性能,例如,点云分类重要的是,我们提倡使用单注意点来促进点特征学习中的语义理解。具体来说,我们制定了一个新的和简单的卷积,它结合了卷积特征从输入点和其相应的学习注意力点,或简称。我们的注意力机制可以很容易地集成到最先进的点云分类和分割网络中。在ModelNet40、ShapeNetPart和S3DIS等常见基准上进行的广泛实验都表明,我们启用LAP的网络始终优于各自的原始网络,以及其他竞争对手的替代方案,这些替代方案采用了多个注意点,无论是预先选择的还是在我们的学习框架下学习的。
2022-07-19 cs.CV
Vision Backbone Enhancement via Multi-Stage Cross-Scale Attention
University of Wisconsin - Madison(威斯康星大学麦迪逊分校);OPPO US Research Center(OPPO美国研究中心)
针对视觉骨干网络缺乏不同阶段与尺度特征交互的问题,提出附加式 MSCSA 模块,在多项下游任务中以少量额外计算开销显著提升性能。
2023-08-14 cs.CV
S-AT GCN: Spatial-Attention Graph Convolution Network based Feature Enhancement for 3D Object Detection
State Key Laboratory of Automotive Safety and Energy(汽车安全与节能国家重点实验室);School of Vehicle and Mobility(车辆与动力学院);Tsinghua University(清华大学)
三维目标检测在自主车辆的环境感知中起着至关重要的作用,是自主车辆进行决策和控制的前提。本文分析了基于划分方法的固有缺陷。在分割操作中,单个实例(如行人)被切成几块,我们称之为分割效应。我们提出了空间注意力图卷积(S-AT GCN),形成特征增强(FE)层来克服这个缺点。S-AT GCN利用图卷积和空间注意力机制来提取局部几何结构特征。这允许网络为前台提供更有意义的功能。我们在KITTI 3D物体和鸟瞰图检测上的实验表明,S-AT Conv和FE层是有效的,特别是对于小物体。FE层将行人类性能提高了3.62%,将自行车类3D mAP提高了4.21%。这些额外的FE层的时间成本是有限的。带FE层的PointPillars可以实现48个PFS,满足实时性要求。
2021-03-15 cs.CV
A Mask Attention Interaction and Scale Enhancement Network for SAR Ship Instance Segmentation
University of Electronic Science and Technology of China(电子科技大学)
现有的合成孔径雷达(SAR)舰船实例分割模型大多没有实现掩模交互或交互性能有限。此外,它们的多尺度船舶实例分割性能适中,特别是对小型船舶。针对这些问题,提出了一种用于SAR舰船实例分割的掩模注意交互和尺度增强网络(MAI-SE-Net)。MAI使用一个空间中间池(ASPP)来获得多分辨率的特征响应,使用一个非局部块(NLB)来模拟长距离的空间依赖,使用一个级联的混洗注意块(CSAB)来提高交互效果。SE使用内容感知的特征重组块(CARAFEB)来生成额外的金字塔底层以提高小型船舶的性能,使用特征平衡操作(FBO)来改善尺度特征描述,并使用全局上下文块(GCB)来细化特征。在两个公开的SSDD和HRSID数据集上的实验结果表明,MAI-SE-Net的性能优于其他9个竞争模型,在SSDD上的检测AP和分割AP分别提高了4.7%和3.4%,在HRSID上的检测AP和分割AP分别提高了3.0%和2.4%.
2022-07-08 cs.CV
Training-Free Anomaly Generation via Dual-Attention Enhancement in Diffusion Model
本文提出无训练异常生成框架AAG,通过交叉注意力增强和自注意力增强改进Stable Diffusion,在指定区域生成逼真且与原始图像一致的异常,有效缓解工业异常检测中的数据稀缺问题。
2025-08-15 cs.CV
Capturing Gaze Shifts for Guidance: Cross-Modal Fusion Enhancement for VLM Hallucination Mitigation
AWS AI Labs(AWS人工智能实验室)
提出GIFT方法,通过预计算视觉显著性图并跟踪注视转移,在解码时增强对显著视觉信息和用户查询的注意力,以缓解视觉语言模型中的幻觉问题。
2026-05-29 cs.CV
YOLO-FDA: Integrating Hierarchical Attention and Detail Enhancement for Surface Defect Detection
College of Mechanical and Electrical Engineering, China Jiliang University, Hangzhou, Zhejiang, China(机械与电气工程学院,中国浙江嘉兴大学)
提出YOLO-FDA检测框架,通过BiFPN架构、细节方向融合模块及注意力融合策略,解决表面缺陷检测中的特征冗余与多尺度鲁棒性问题,显著提升检测精度。
2025-06-26 cs.CV
Convolutional Feature Enhancement and Attention Fusion BiFPN for Ship Detection in SAR Images
Yan’an University(延安大学)
针对SAR图像船舶检测中尺度变化、小目标与复杂背景等挑战,提出C-AFBiFPN框架,通过卷积特征增强模块和BiFormer注意力融合的BiFPN,提升检测精度与鲁棒性,在SSDD数据集上验证了有效性。
2025-06-18 cs.CV
Attention guided global enhancement and local refinement network for semantic segmentation
University of Science and Technology Beijing(北京科技大学);University of Central Florida(中佛罗里达大学);Scoop Medical(Scoop医疗)
编码器-解码器架构被广泛用作轻量级语义分割网络。然而,与设计良好的Dilated-FCN模型相比,它的性能有限,主要有两个问题。首先,解码器中常用的上采样方法,例如插值和去卷积,受到局部感受野的影响,无法对全局上下文进行编码。第二,低层特征可能会由于早期编码层中语义概念的不足而通过跳过连接给网络解码器带来噪声。为了解决这些挑战,提出了一种全局增强方法,从高级特征图中聚合全局信息,并将其自适应地分配到不同的解码器层,从而缓解了上采样过程中全局上下文的不足。此外,在解码器特征和编码器特征融合之前,利用解码器特征作为语义指导,开发了一个局部细化模块,对噪声编码器特征进行细化。然后,将这两种方法集成到一个上下文融合模块中,并在此基础上设计了一种新的注意力引导的全局增强和局部细化网络(AGLN)。在PASCAL Context、ADE 20 K和PASCAL VOC 2012数据集上的实验证明了该方法的有效性。特别是,使用vanilla ResNet-101主干,AGLN在PASCAL Context数据集上实现了最先进的结果(平均IoU为56.23%)。该代码可在https://github.com/zhasen1996/AGLN上获得。
2022-04-09 cs.CV
RGA-Net: A Vision Enhancement Framework for Robotic Surgical Systems Using Reciprocal Attention Mechanisms
School of Advanced Manufacturing, Guangdong University of Technology(广东工业大学先进制造学院);Faculty of Science and Technology, University of Macau(澳门大学科学与技术学院)
RGA-Net通过互相关注意机制提升机器人手术中的视觉清晰度,有效去除手术烟雾,优化人机交互与手术流程。
2026-02-14 cs.CV
Small Object Detection Model with Spatial Laplacian Pyramid Attention and Multi-Scale Features Enhancement in Aerial Images
Key Laboratory of Computational Intelligence and Chinese Information Processing of Ministry of Education, School of Computer and Information Technology, Shanxi University(教育部计算智能与中文信息处理重点实验室,计算机与信息技术学院,山西大学)
本文提出了一种结合空间拉普拉斯金字塔注意力和多尺度特征增强的改进模型,以提升航空图像中小目标的检测性能。
2026-02-26 cs.CV
A Marine Debris Detection Framework for Ocean Robots via Self-Attention Enhancement and Feature Interaction Optimization
Hefei Institutes of Physical Science, Chinese Academy of Sciences(中国科学院合肥物质科学研究院)
本文提出YOLO-MD框架,通过自注意力增强模块和轻量级位移操作提升海洋垃圾检测性能,实验表明在UODM数据集上取得优异精度和F1分数。
2026-11-13 cs.CV