Uncertainty Modeling for Out-of-Distribution Generalization
Peking University(北京大学);Tencent PCG(腾讯平台与内容事业群);Singapore University of Technology and Design(新加坡科技设计大学);Peng Cheng Laboratory(鹏城实验室)
尽管在各种视觉任务中已经取得了显着的进展,但当在分布外场景中进行测试时,深度神经网络仍然遭受明显的性能下降。我们认为,特征统计(平均值和标准差),其中携带的领域特征的训练数据,可以适当地操纵,以提高深度学习模型的泛化能力。常见的方法通常将特征统计量视为从学习的特征中测量的确定性值,并且没有显式地考虑测试期间潜在的域偏移引起的不确定统计量差异。在本文中,我们提高了网络的泛化能力,通过建模的不确定性域的变化与合成的特征统计在训练过程中。具体来说,我们假设的特征统计量,在考虑潜在的不确定性,遵循多元高斯分布。因此,每个特征统计量不再是确定性的值,而是具有不同分布可能性的概率点。利用不确定的特征统计,可以训练模型以减轻域扰动,并对潜在的域偏移实现更好的鲁棒性。我们的方法可以很容易地集成到网络中,没有额外的参数。大量的实验表明,我们提出的方法不断提高网络的泛化能力,对多个视觉任务,包括图像分类,语义分割,和实例检索。该代码可以在https://github.com/lixiaotong97/DSU上获得。
2022-04-22 cs.CV cs.LG
Modality-Agnostic Debiasing for Single Domain Generalization
Tongji University(同济大学)
深度神经网络(DNN)通常无法很好地泛化到分布外(OOD)数据,特别是在将DNN从单个域转移到多个未知域的单领域泛化(single-DG)的极端情况下。现有的单DG技术通常会设计各种数据增强算法,并改造多源领域泛化方法来学习领域广义(语义)特征。然而,这些方法通常是模态特异性的,从而仅适用于一种单一模态(例如,图像)。相比之下,我们的目标是一个多功能的模态不可知的去偏(MAD)的框架,为单DG,使不同的模态泛化。在技术上,MAD引入了一种新的两分支分类器:偏置分支鼓励分类器识别领域特定的(表面的)特征,而一般分支根据偏置分支的知识捕获领域广义特征。我们的MAD是有吸引力的,因为它是最单DG模型可插拔。我们验证了我们的MAD的优越性,在各种单DG的情况下,不同的方式,包括识别1D文本,2D图像,3D点云,和语义分割的2D图像。更值得注意的是,对于三维点云的识别和二维图像的语义分割,MAD在准确率和mIOU上分别提高了2.82%和1.5%。
2023-03-13 cs.AI cs.CV cs.LG
Image Enhancement Network Trained by Using HDR images
Tokyo Metropolitan University(东京都立大学)
在本文中,提出了一种新的图像增强网络,其中HDR图像用于生成我们的网络的训练数据。大多数传统的图像增强方法,包括基于Retinex的方法,没有考虑恢复由剪切和量化引起的丢失的像素值。此外,由于网络架构,最近提出的基于CNN的方法仍然具有有限的应用范围或有限的性能。相比之下,所提出的方法比现有的基于CNN的方法具有更高的性能和更简单的网络架构。此外,所提出的方法使我们能够恢复丢失的像素值。实验结果表明,该方法可以提供更高质量的图像比传统的图像增强方法,包括CNN的方法,在TMQI和NIQE。
2019-01-25 cs.CV
Five A$^{+}$ Network: You Only Need 9K Parameters for Underwater Image Enhancement
National University of Singapore(新加坡国立大学);ZJU-UIUC Institute, Zhejiang University(浙江大学ZJU-UIUC研究院);Fujian Provincial Key Laboratory of Oceanic Information Perception and Intelligent Processing(福建省海洋信息感知与智能处理重点实验室)
提出仅需9K参数的FA$^{+}$Net轻量网络,通过两阶段结构实现水下图像实时增强,在多个数据集上达到最先进性能。
2023-05-15 cs.CV
PSENet: Progressive Self-Enhancement Network for Unsupervised Extreme-Light Image Enhancement
VinAI Research(VinAI研究院)
极端的照明(例如太多或太少的光)通常会给机器和人类视觉带来许多麻烦。最近的许多工作主要集中在曝光不足的情况下,图像往往是在低光条件下(如夜间)捕获,并取得了良好的效果,提高图像的质量。然而,它们不如处理过度曝光下的图像。为了减轻这一限制,我们提出了一种新型的无监督增强框架,该框架对各种照明条件都具有鲁棒性,同时不需要任何曝光良好的图像来作为地面真相。我们的主要概念是构建从多个源图像合成的伪地面实况图像,模拟所有潜在的曝光场景,以训练增强网络。我们广泛的实验表明,所提出的方法在定量指标和定性结果方面始终优于当前最先进的无监督同行在几个公共数据集。我们的代码可在https://github.com/VinAIResearch/PSENet-Image-Enhancement上获得。
2022-10-03 cs.CV
RT-X Net: RGB-Thermal cross attention network for Low-Light Image Enhancement
Indian Institute of Technology, Madras(印度理工学院马德拉斯分校);Carnegie Mellon University(卡内基梅隆大学)
本文提出RT-X Net,通过自注意力特征提取与RGB-热红外交叉注意力融合实现夜间低光图像增强,并构建V-TIEE数据集,在LLVIP和V-TIEE上验证其优于现有方法。
2025-05-30 cs.CV
Bayesian Neural Networks for One-to-Many Mapping in Image Enhancement
本文提出贝叶斯增强模型,利用贝叶斯神经网络和确定性神经网络解决图像增强中的一对多映射问题,通过捕捉数据不确定性生成多样化输出。
2025-11-26 cs.CV
A Two-Stage Multi-Scale Attention-Based Network for Weakly Supervised Cataract Fundus Image Enhancement
Hunan Institute of Technology(湖南工学院);National and Local Joint Engineering Laboratory of Computer Aided Design(计算机辅助设计国家地方联合工程实验室);Dalian University of Technology(大连理工大学)
本文提出两阶段多尺度注意力网络TSMSA-Net,通过域变换合成配对图像,实现无配对数据的弱监督白内障眼底图像增强,并在Kaggle和ODIR-5K上超越现有方法,提升血管分割与分类性能。
2026-09-18 cs.CV
MSR-net:Low-light Image Enhancement Using Deep Convolutional Network
Institute of Image Recognition and Artificial Intelligence(图像识别与人工智能研究所);Huazhong University of Science and Technology(华中科技大学)
在弱光条件下拍摄的图像通常具有很低的对比度,这在很大程度上增加了后续计算机视觉任务的难度。提出了一种基于卷积神经网络和Retinex理论的微光图像增强模型。首先,我们证明了多尺度Retinex等价于具有不同高斯卷积核的前馈卷积神经网络。出于这一事实,我们考虑一个卷积神经网络(MSR-net),它直接学习暗图像和亮图像之间的端到端映射。与现有的方法有着根本的不同,本文将弱光图像增强问题视为一个机器学习问题。在该模型中,大多数参数是通过反向传播优化,而传统模型的参数依赖于人工设置。一些具有挑战性的图像上的实验揭示了我们的方法相比,从定性和定量的角度来看,与其他国家的最先进的方法的优势。
2017-11-07 cs.CV
IDM-Net: A Lightweight Illumination-Decoupled Modulation Network for Low-Light Image Enhancement
National Taiwan University of Science and Technology(国立台湾科技大学)
IDM-Net提出一种轻量级光照解耦调制网络,通过双编码器提取光照先验并注入解码器,实现低光图像增强中亮度恢复与色彩保真的平衡,在多个基准上取得竞争力性能。
2026-09-28 cs.CV
Deep Retinex Decomposition for Low-Light Enhancement
Peking University(北京大学)
Retinex模型是微光图像增强的有效工具。它假设观测图像可以分解为反射率和照明。大多数现有的基于Retinex的方法都为这种高度不适定的分解精心设计了手工制作的约束和参数,当应用于各种场景时,这些约束和参数可能会受到模型容量的限制。在本文中,我们收集了一个包含低/正常光图像对的低光数据集(LOL),并提出了一个在该数据集上学习的深度Retinex-Net,包括用于分解的Decom-Net和用于照明调整的Enhance-Net。在Decom-Net的训练过程中,没有分解的反射率和光照的基础事实。该网络仅使用关键约束进行学习,包括成对的低/正常光图像共享的一致反射率以及照明的平滑度。在分解的基础上,通过增强网络Enhance-Net对光照进行亮度增强,并对反射率进行联合去噪。Retinex-Net是端到端可训练的,因此学习的分解本质上有利于亮度调整。大量的实验表明,我们的方法不仅实现了视觉上令人愉快的质量低光增强,但也提供了一个很好的代表性的图像分解。
2018-08-14 cs.CV
Wavelet based edge feature enhancement for convolutional neural networks
University of Moratuwa(莫拉图瓦大学)
卷积神经网络能够执行从局部特征开始的分层学习过程。然而,一个有限的注意力被支付到增强这样的基本水平的功能,如边缘。我们提出并评估了两种基于小波的边缘特征增强方法,对输入图像进行预处理,以卷积神经网络。第一种方法通过小波变换对输入图像进行分解,然后进行有限重构,从而得到特征增强的表示。第二种方法使用小波系数的局部模极大值来开发这种特征增强的网络输入。对于每种方法,我们已经开发了一个新的预处理层,通过实现每一个目的的方法,并已附加到网络架构。我们的实证评估表明,所提出的方法优于基线和以前发表的工作,具有显着的准确性增益。
2019-02-04 cs.CV
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
Semantic-Guided Zero-Shot Learning for Low-Light Image/Video Enhancement
Wenzhou-Kean University(温州肯恩大学)
低光图像挑战人类感知和计算机视觉算法。对于计算摄影和计算机视觉应用(如实时检测和分割)来说,使算法鲁棒以启发弱光图像至关重要。本文提出了一种语义引导的zero-shot低光照增强网络(SGZ),该网络在没有配对图像、未配对数据集和分割注释的情况下进行训练。首先,我们设计了一个增强因子提取网络使用dependency可分离卷积的低光图像的像素级光不足的有效估计。其次,我们提出了一个经常性的图像增强网络,逐步增强低光图像与负担得起的模型大小。最后,我们引入了一个无监督的语义分割网络,用于在密集增强过程中保留语义信息。在基准数据集和低光视频上的大量实验表明,我们的模型优于以前的最先进的。我们进一步讨论了所提出的方法用于低光检测和分割的好处。代码可在https://github.com/ShenZheng2000/Semantic-Guided-Low-Light-Image-Enhancement上获得
2021-11-25 cs.CV
LAFFNet: A Lightweight Adaptive Feature Fusion Network for Underwater Image Enhancement
ASUS Intelligent Cloud Services, Asustek Computer Inc.(华硕电脑股份有限公司智能云服务);National Taiwan University(国立台湾大学)
水下图像增强是水下机器人和遥控潜水器探索和了解水下环境的一项重要的底层计算机视觉任务。近年来,深度卷积神经网络(CNN)已成功应用于许多计算机视觉问题,水下图像增强也是如此。基于深度学习的水下图像增强方法有很多,但它们的内存开销和模型参数开销是实际应用的障碍。为了解决这个问题,我们提出了一个轻量级的自适应特征融合网络(LAFFNet)。该模型是具有多个自适应特征融合(AAF)模块的编码器-解码器模型。AAF包含具有不同内核大小的多个分支以生成多尺度特征图。此外,通道注意力被用来合并这些特征地图自适应。我们的方法将参数的数量从2.5M减少到0.15M(减少约94%),但通过大量的实验,性能优于最先进的算法。此外,我们证明了我们的LAFFNet有效地提高了高层次的视觉任务,如显着性目标检测和单图像深度估计。
2021-05-05 cs.CV
Oneta: Multi-Style Image Enhancement Using Eigentransformation Functions
Korea University(高丽大学);Samsung Electronics(三星电子)
提出首个多风格图像增强算法Oneta,通过两步点算子(TF和CCM)与特征变换函数实现高性能增强,单个网络支持6种任务和30个数据集。
2025-06-30 cs.CV
Network Architecture Search for Face Enhancement
Johns Hopkins University(约翰斯·霍普金斯大学);Microsoft(微软)
诸如环境照明条件、噪声、运动模糊等的各种因素影响所捕获的面部图像的质量。低质量的人脸图像往往会降低人脸分析和识别系统的性能。因此,重要的是要提高在这种条件下收集的人脸图像的质量。我们提出了一个多任务的人脸恢复网络,称为网络架构搜索人脸增强(NASFE),它可以增强低质量的人脸图像包含一个单一的退化(即噪声或模糊)或多个退化(噪声+模糊+低光)。在训练期间,NASFE使用退化图像中存在的人的干净面部图像来提取关于用于恢复图像的特征的身份信息。此外,网络由身份丢失引导,使得身份信息保持在恢复图像中。此外,我们提出了一个网络架构的搜索为基础的融合网络在NASFE融合的特定任务的特征,提取使用特定任务的编码器。我们在融合网络中引入FFT-op和deveiling算子,以有效地融合特定于任务的特征。综合实验合成和真实图像表明,该方法优于许多最近的国家的最先进的人脸恢复和增强方法在定量和视觉性能。
2021-05-13 cs.CV
Style-Decoupled Adaptive Routing Network for Underwater Image Enhancement
State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University(测绘遥感信息工程国家重点实验室,武汉大学);Department of Aeronautical and Aviation Engineering, The Hong Kong Polytechnic University(航空工程系,香港理工大学)
本文提出SDAR-Net,通过解耦降质风格与自适应路由机制,提升水下图像增强效果,实验显示其在PSNR上达到新水平。
2026-04-14 cs.CV
MEMC-Net: Motion Estimation and Motion Compensation Driven Neural Network for Video Interpolation and Enhancement
Shanghai Jiao Tong University(上海交通大学);University of California, Merced(加州大学默塞德分校)
在过去的几十年中,运动估计(ME)和运动补偿(MC)已被广泛用于经典的视频帧内插系统。近年来,提出了许多基于卷积神经网络的数据驱动帧内插方法。然而,现有的基于学习的方法通常估计流量或补偿内核,从而限制了计算效率和插值精度的性能。在这项工作中,我们提出了一个运动估计和补偿驱动的神经网络的视频帧内插。提出了一种新的自适应扭曲层,用于集成光流和插值核来合成目标帧像素。这一层是完全可微的,使得流量和核估计网络都可以联合优化。所提出的模型受益于运动估计和补偿方法的优点,而不使用手工制作的功能。与现有的方法相比,我们的方法是计算效率高,能够产生更具视觉吸引力的结果。此外,所提出的MEMC-Net可以无缝地适应于几个视频增强任务,例如,超分辨率、去噪和去块。广泛的定量和定性评估表明,该方法表现良好,对国家的最先进的视频帧插值和增强算法在广泛的数据集。
2019-09-05 cs.CV
DEANet: Decomposition Enhancement and Adjustment Network for Low-Light Image Enhancement
Xinjiang University(新疆大学);Tsinghua University(清华大学)
在弱光条件下获得的图像会严重影响图像的质量。解决弱光图像质量差的问题,可以有效提高图像的视觉质量,更好地提高计算机视觉的可用性。此外,它在许多领域都有非常重要的应用。提出了一种基于Retinex的DEANet算法,用于弱光图像增强。它将图像的频率信息和内容信息组合成三个子网络:分解网络、增强网络和调整网络。这三个子网络分别用于分解、去噪、对比度增强和细节保持、调整和图像生成。我们的模型对所有低光图像都有很好的鲁棒性。该模型在公共数据集LOL上进行训练,实验结果表明,我们的方法在视觉和质量方面优于现有的最先进的方法。
2022-09-14 cs.CV eess.IV
HIFI-Net: A Novel Network for Enhancement to Underwater Images
Harbin Engineering University(哈尔滨工程大学)
提出了一种新的水下图像增强网络。该算法在增强融合单元(RFU)的基础上,设计了Haar小波图像增强融合模块(RFM-Haar),用于融合原始图像和图像中的重要信息,实现图像增强。由于该网络将哈尔图像转化为融合图像,因此被称为HIFI-Net。实验结果表明,所提出的HIFI-Net在三个标准度量和一个新的度量下,在三个数据集上的许多最先进的方法中表现最好。
2022-06-06 cs.AI cs.CV
Attention based Broadly Self-guided Network for Low light Image Enhancement
South China University of Technology(华南理工大学)
在过去的几年中,深度卷积神经网络在弱光图像增强方面取得了令人瞩目的成功。现有的深度学习方法大多通过堆叠网络结构和加深网络深度来增强特征提取能力,这导致单个图像上的运行时间开销更大。为了减少推理时间,同时充分提取局部特征和全局特征。受SGN的启发,提出了一种基于注意力的广义自导引网络(ABSGN),用于实际低光照图像的增强.这种广义策略能够处理不同曝光下的噪声.该网络被许多主流基准测试所验证.另外的实验结果表明,该网络的性能优于大多数现有的低光照图像增强算法.光图像增强解决方案。
2021-12-15 cs.CV eess.IV
Flexible Example-based Image Enhancement with Task Adaptive Global Feature Self-Guided Network
ETH Zurich(苏黎世联邦理工学院)
我们提出了第一个实用的多任务图像增强网络,能够学习一对多和多对一的图像映射。我们表明,我们的模型在学习单个增强映射方面优于当前最先进的技术,同时具有比竞争对手少得多的参数。此外,通过利用共享表示,该模型在同时学习多个映射时实现了更高的性能。我们的网络是基于最近提出的SGN架构,修改的目标是纳入全球功能和风格适应。最后,我们提出了一种基于生成对抗网络(GANs)的多任务图像增强非配对学习方法。
2020-09-28 cs.CV cs.LG
Checkerboard-Artifact-Free Image-Enhancement Network Considering Local and Global Features
Tokyo Metropolitan University(东京都立大学)
在本文中,我们提出了一种新的卷积神经网络(CNN),永远不会导致棋盘文物,图像增强。在图像到图像转换问题的研究领域中,众所周知,由通常的CNN生成的图像被棋盘伪影所扭曲,棋盘伪影主要是在上采样层的前向传播中引起的。然而,在图像增强中的棋盘形伪影从未被讨论过。在本文中,我们指出,将基于U-Net的CNN应用于图像增强会导致棋盘状伪影。相比之下,包含固定卷积层的拟议网络可以完美地防止伪影。此外,建议的网络架构,它可以处理本地和全球的功能,使我们能够提高图像增强的性能。实验结果表明,使用固定的卷积层可以防止棋盘状伪影,并且所提出的网络在各种客观质量指标(PSNR,SSIM和NIQE)方面优于最先进的基于CNN的图像增强方法。
2020-10-13 cs.CV eess.IV
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
A Wavelet-based Dual-stream Network for Underwater Image Enhancement
Queen Mary University of London(伦敦玛丽女王大学)
我们提出了一个基于小波的双流网络,解决水下图像的偏色和模糊的细节。我们通过使用离散小波变换将输入图像分解成多个频带来分别处理这些伪影,从而生成下采样的结构图像和细节图像。这些子带图像被用作我们的双流网络的输入,该双流网络包含两个子网络:多色空间融合网络和细节增强网络。多颜色空间融合网络将分解后的结构图像作为输入,并通过使用来自输入的不同颜色空间的特征表示来估计颜色校正后的输出。细节增强网络通过改善高频子带的图像细节来解决原始水下图像的模糊问题。我们在真实世界和合成水下数据集上验证了所提出的方法,并显示了我们的模型在颜色校正和模糊去除方面的有效性,具有低计算复杂性。
2022-04-27 cs.CV eess.IV
Better Than Reference In Low Light Image Enhancement: Conditional Re-Enhancement Networks
Harbin Institute of Technology(哈尔滨工业大学)
弱光图像存在噪声严重、亮度低、对比度低等问题。在以往的研究中,提出了许多图像增强方法,但很少有方法能同时处理这些问题。针对这些问题,本文提出了一种结合监督学习和以往基于HSV(Hue,Saturation,Value)或Retinex模型的图像增强方法的弱光图像增强方法。首先,分析了HSV颜色空间与Retinex理论的关系,证明了增强图像的V通道(HSV颜色空间中的V通道,等于RGB颜色空间中的最大通道)能够很好地表征对比度和亮度增强过程。然后,提出了一种数据驱动的条件再增强网络(表示为CRENet)。该网络以弱光图像为输入,以增强后的V通道为条件,重新增强弱光图像的对比度和亮度,同时降低噪声和色彩失真。需要注意的是,在训练过程中,任何曝光时间不同的配对图像都可以用于训练,不需要仔细选择监督图像,这会节省很多。此外,在2080 Ti GPU上处理分辨率为400*600的彩色图像所需时间不到20 ms。最后通过对比实验验证了该方法的有效性。实验结果表明,本文提出的方法能够显著提高增强后图像的质量,并且通过与其他图像对比度增强方法相结合,最终增强结果甚至可以在对比度和亮度上优于参考图像。(Code将在https://github.com/hitzhangyu/image-enhancement-with-denoise上提供)
2020-08-26 cs.CV eess.IV
Dual Degradation-Inspired Deep Unfolding Network for Low-Light Image Enhancement
Xi’an Jiaotong University(西安交通大学);Xi’an Polytechnic University(西安工程大学)
本文提出DASUNet,通过构建双退化模型显式模拟低光图像在亮度与色度空间的退化机制,并将其交替优化求解过程展开为深度网络,结合定制Transformer块和空间聚合模块,在多个数据集上验证了优于现有方法的增强性能。
2024-12-31 cs.CV eess.IV
Invertible Network for Unpaired Low-light Image Enhancement
Harbin Institute of Technology(哈尔滨工业大学)
现有的非成对低光照图像增强方法更喜欢采用双向GAN框架,其中部署两个CNN生成器分别用于增强和降级。然而,这种数据驱动的模型忽略了低光图像和正常光图像之间的转换的固有特性,导致不稳定的训练和伪影。在这里,我们建议利用可逆网络在前向过程中增强弱光图像,并通过非配对学习反向降低正常光图像。然后,生成的图像和真实图像被馈送到鉴别器中进行对抗学习。除了对抗性损失外,我们还设计了各种损失函数,以保证训练的稳定性,并保留更多的图像细节。特别地,引入可逆性损失以减轻过度曝光问题。此外,我们提出了一个渐进的自引导增强过程中的低光图像,并取得了良好的性能对SOTA。
2021-12-24 cs.CV eess.IV
Brightness Perceiving for Recursive Low-Light Image Enhancement
University of Science and Technology of China(中国科学技术大学)
针对低光照图像增强难题,提出基于亮度感知的递归增强框架,包含ACT-Net和BP-Net及无监督训练策略,在混合数据集上实现SOTA性能。
2025-04-03 cs.CV eess.IV
Cascaded Convolutional Neural Network for Automatic Myocardial Infarction Segmentation from Delayed-Enhancement Cardiac MRI
Beihang University(北京航空航天大学)
自动分割心肌轮廓和相关区域,如梗死和无复流是心肌梗死定量评价的重要步骤。在这项工作中,我们提出了一个级联卷积神经网络自动心肌梗死分割延迟增强心脏MRI。我们首先使用2D U-Net专注于切片内信息来执行初步分割。之后,我们使用一个3D的U-网络,利用体积的空间信息进行微妙的分割。我们的方法在MICCAI 2020 EMIDEC挑战数据集上进行了评估,心肌、梗死和无复流的平均Dice得分分别为0.8786、0.7124和0.7851,优于分割竞赛的所有其他团队。
2020-12-28 cs.CV eess.IV
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
Self-supervised Image Enhancement Network: Training with Low Light Images Only
Harbin Institute of Technology(哈尔滨工业大学)
提出了一种基于深度学习的自监督弱光图像增强方法。受信息熵理论和Retinex模型的启发,提出了一种基于最大熵的Retinex模型。利用该模型,一个非常简单的网络可以分离光照和反射率,并且该网络可以仅用弱光图像进行训练。为了实现自监督学习,在模型中引入反射率最大通道与弱光图像最大通道一致且其熵最大的约束条件。我们的模型非常简单,不依赖于任何精心设计的数据集(即使是一张低光图像也可以完成训练)。该网络只需要分钟级的训练就可以实现图像增强。实验结果表明,该方法在处理速度和效果上均达到了目前的先进水平。
2020-02-26 cs.CV eess.IV
IDA-UIE: An Iterative Framework for Deep Network-based Degradation Aware Underwater Image Enhancement
Centre for Intelligent Cyber Physical Systems, Indian Institute of Technology Guwahati(印度古瓦哈蒂理工学院智能信息物理系统中心);Dept. of Electronics and Electrical Engg., Indian Institute of Technology Guwahati(印度古瓦哈蒂理工学院电子与电气工程系)
本文提出了一种基于深度网络的退化感知水下图像增强迭代框架IDA-UIE,通过识别并处理八种主导退化条件,并构建条件特定数据集训练增强网络,在UIEB和EUVP数据集上优于九种基线方法。
2024-06-26 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
Enhanced U-Net: A Feature Enhancement Network for Polyp Segmentation
University of Kansas(堪萨斯大学);Ryerson University(瑞尔森大学)
结肠镜检查是一种检测结肠直肠息肉的程序,结肠直肠息肉是发展结肠直肠癌的主要原因。然而,由于息肉的形状、大小、颜色和纹理的多样性,息肉与其背景之间的穿梭差异以及结肠镜图像的低对比度,息肉分割是一项具有挑战性的任务。为了解决这些挑战,我们提出了一种用于结肠镜图像中准确分割息肉的特征增强网络。具体而言,所提出的网络使用新的语义特征增强模块(SFEM)增强语义信息。此外,而不是直接添加编码器功能到相应的解码器层,我们引入了自适应全局上下文模块(AGCM),它只关注编码器的重要和硬细粒度的功能。这两个模块的集成提高了逐层特征的质量,这反过来又增强了最终的特征表示。所提出的方法在五个结肠镜数据集上进行了评估,与其他最先进的模型相比,该方法表现出优越的性能。
2021-05-03 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
Unsupervised Low-light Image Enhancement with Decoupled Networks
University of Rochester(罗切斯特大学);ByteDance Inc.(字节跳动公司);Tencent Inc.(腾讯公司)
在本文中,我们解决了在无监督的方式增强现实世界中的低光图像与显着的噪声的问题。传统的基于无监督学习的方法通常使用图像到图像的转换模型来解决低光照图像增强问题。它们主要关注照明或对比度增强,但无法抑制在现实世界低光条件下拍摄的图像中普遍存在的噪声。为了解决这个问题,我们明确地将这个任务解耦为两个子任务:照明增强和噪声抑制。我们建议学习一个两阶段的基于GAN的框架,以完全无监督的方式增强真实世界的低光图像。为了便于模型的无监督训练,我们使用伪标签构建样本。此外,我们提出了一个自适应的内容损失,以抑制真实图像中的噪声在不同区域的光照强度的基础上。除了传统的基准数据集,一个新的不成对的低光图像增强数据集的建立和使用,以彻底评估我们的模型的性能。大量的实验表明,我们提出的方法优于国家的最先进的无监督图像增强方法在两个照明增强和降噪。
2022-03-28 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
Image quality enhancement of embedded holograms in holographic information hiding using deep neural networks
Chiba University(千叶大学)
全息信息隐藏是将全息图或图像嵌入到另一幅全息图中的技术,用于全息图的版权保护和信息隐藏。使用深度神经网络,我们提供了一种提高嵌入式全息图视觉质量的方法。嵌入全息图的亮度被设置为宿主全息图的亮度的一小部分,从而导致宿主全息图的几乎没有损坏的重建图像。然而,由于嵌入全息图的重构图像比重构的主图像暗,因此难以感知。在这项研究中,我们使用深度神经网络来恢复变暗的图像。
2021-12-20 cs.CV cs.GR
LYT-NET: Lightweight YUV Transformer-based Network for Low-light Image Enhancement
University of Manchester, United Kingdom(曼彻斯特大学);University Politehnica Timisoara, Romania(蒂米șoara多尔多大学);West University of Timisoara, Romania(蒂米șoara西大学)
LYT-Net提出轻量级YUV双路径Transformer模型,结合CWD和MSEF模块,在低复杂度下超越现有低光照增强方法。
2025-09-10 cs.CV eess.IV
Adaptive Frequency Enhancement Network for Single Image Deraining
School of Informatics, Xiamen University(厦门大学信息学院);School of Computer Science and Engineering, Northeastern University(东北大学计算机科学与工程学院)
本文提出端到端自适应频率增强网络(AFENet),通过多尺度卷积分解频带、特征增强与交互模块及特征聚合,自适应增强不同频率分量,有效去除复杂雨模式并重建细节,在真实与合成场景上性能优于现有方法。
2024-07-19 cs.CV eess.IV
Low-light Image Enhancement Algorithm Based on Retinex and Generative Adversarial Network
University of Science and Technology of China(中国科学技术大学)
弱光图像增强是图像处理中一项具有挑战性的任务,特别是对于夜间或弱光环境下的复杂视觉任务。为了减少低光照图像上的模糊或噪声,大量的论文致力于应用不同的技术。遗憾的是,在实际应用中,大多数方法在处理图像中光照极差的部分或测试中收效甚微。提出了一种基于Retinex理论和生成对抗网络(GAN)的微光图像处理方法,该方法由分解部分和增强部分组成,分解部分用于将图像分解为光照图像和反射图像,增强部分用于生成高质量的图像。这样的判别网络有望使生成的图像更清晰。基于转换后的黑暗中见(CSID)数据集,在不同光照强度的情况下进行了实验,取得了令人满意的结果,超出了预期,令人鼓舞。总之,本文提出的基于GAN的网络和Retinex理论在处理弱光图像增强问题上是有效的,这无疑将有利于图像处理。
2019-06-14 cs.CV eess.IV
Sar Ship Detection based on Swin Transformer and Feature Enhancement Feature Pyramid Network
随着卷积神经网络(Convolutional Neural Networks,CNN)的蓬勃发展,VGG-16和ResNet-50等CNN网络成为SAR舰船检测的骨干网络。然而,基于CNN的骨干网络难以对长距离依赖关系进行建模,导致浅层特征图缺乏足够的高质量语义信息,导致在复杂背景和小型船舶情况下检测性能不佳。针对这些问题,提出了一种基于Swin Transformer和特征增强特征金字塔网络(FEFPN)的SAR舰船检测方法。Swin Transformer作为主干来建模远程依赖关系并生成分层特征映射。FEFPN是为了进一步提高特征地图的质量而提出的,它通过逐步增强各个层次特征地图的语义信息,特别是浅层特征地图。在SAR船舶检测数据集(SSDD)上进行的实验表明了我们提出的方法的优势。
2022-09-21 cs.AI cs.CV
Attention-based network for low-light image enhancement
Northwestern Polytechnical University(西北工业大学);The University of Adelaide(阿德莱德大学)
在弱光条件下拍摄的图像通常会受到亮度不足和噪声的影响。因此,弱光图像增强是计算机视觉中一个具有挑战性的关键任务。已经提出了各种方法来完成这项任务,但这些方法通常在极端低光环境中失败,并放大了输入图像中的潜在噪声。为了解决这个难题,本文提出了一种新的基于注意力的神经网络,从原始传感器数据生成高质量的增强低光图像。具体来说,我们首先采用注意策略(即通道注意和空间注意模块)来抑制不希望的色差和噪声。通道注意模块引导网络细化冗余的颜色特征。空间注意力模块侧重于利用图像中的非局部相关性进行去噪。此外,我们提出了一个新的池层,称为倒置洗牌层,自适应地选择有用的信息,从以前的功能。大量的实验表明,所提出的网络在抑制色差和噪声伪影的增强,特别是当弱光图像有严重的噪声方面的优越性。
2020-05-21 cs.CV eess.IV
VESR-Net: The Winning Solution to Youku Video Enhancement and Super-Resolution Challenge
University of Science and Technology of China(中国科学技术大学);Microsoft Research Asia(微软亚洲研究院)
本文介绍了一种视频增强和超分辨率(VESR)的方法VESR-Net。在VESR-Net中,我们设计了一个独立的非局部模块来探索视频帧之间的关系并有效地融合视频帧,设计了一个通道注意力残差块来捕获特征图之间的关系,用于视频帧重构。我们进行实验,以分析这些设计的有效性VESR-Net,这表明VESR-Net的优势,以前的国家的最先进的VESR方法。值得一提的是,在数千名参加优酷视频增强和超分辨率(Youku-VESR)挑战赛的参赛者中,我们提出的VESR-Net击败了其他竞争方法,排名第一。
2020-03-04 cs.CV cs.LG eess.IV
Evaluating Deep Neural Networks for Image Document Enhancement
HP Inc.(惠普公司)
这项工作评估了六个国家的最先进的深度神经网络(DNN)架构应用于增强相机捕获的文档图像的问题。使用图像质量评估(IQA)指标对每个网络的结果进行了定性和定量评估,并与基于传统计算机视觉技术的现有方法进行了比较。与现有算法相比,性能最好的架构通常会产生良好的增强效果,这表明DNN可以用于文档图像增强。此外,性能最佳的架构可以作为未来使用深度学习技术进行文档增强研究的基线。本文的主要贡献是:可以进一步改进以提供更好结果的深度学习技术的基线,以及使用IQA指标的评估方法,用于定量比较从神经网络生成的图像与地面实况。
2021-06-11 cs.CV cs.LG eess.IV
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
Convolutional Neural Networks Considering Local and Global features for Image Enhancement
Tokyo Metropolitan University(东京都立大学)
在本文中,我们提出了一种新的卷积神经网络(CNN)架构,同时考虑局部和全局的图像增强功能。大多数传统的图像增强方法,包括基于Retinex的方法,不能恢复由裁剪和量化引起的丢失的像素值。最近提出了基于CNN的方法来解决这个问题,但由于网络架构不处理全局特征,它们仍然具有有限的性能。为了处理本地和全球的功能,建议的架构包括三个网络:一个本地编码器,一个全球编码器,和一个解码器。此外,高动态范围(HDR)图像用于为我们的网络生成训练数据。HDR图像的使用使得可以用比直接用相机捕获的图像质量更好的图像来训练CNN。实验结果表明,该方法可以产生更高质量的图像比传统的图像增强方法,包括基于CNN的方法,在各种客观的质量度量:TMQI,熵,NIQE,和BRISQUE。
2019-05-07 cs.CV cs.MM eess.IV
Degradation-invariant Enhancement of Fundus Images via Pyramid Constraint Network
Southern University of Science and Technology(南方科技大学);IHPC, A*STAR(新加坡科技研究局高性能计算研究所);University of Science and Technology Beijing(北京科技大学);Singapore Eye Research Institute(新加坡眼科研究所);Singapore National Eye Centre(新加坡全国眼科中心)
视网膜眼底图像作为一种经济、高效的眼底成像方式,已被广泛应用于临床眼底检查。然而,眼底图像常常受到成像干扰的影响而导致图像质量下降,从而导致误诊。尽管最先进的方法已经实现了令人印象深刻的增强性能,但在临床场景中仍然存在挑战。为了促进眼底图像增强的临床部署,提出了金字塔约束,开发了一种退化不变增强网络(PCE-Net),该网络可以减少对临床数据的需求,并稳定地增强未知数据。首先,高质量图像被随机降级,以形成共享相同内容的低质量图像序列(SeqLC)。然后将低质量图像分解为拉普拉斯金字塔特征(LPF)作为增强的多级输入。随后,引入序列的特征金字塔约束(FPC)来强制PCE网络学习退化不变模型。在增强和分割的评价指标下进行了大量的实验。通过与最先进的方法和消融研究进行比较,证明了PCE-Net的有效性。本研究的源代码可在https://github.com/HeverLaw/PCENet-Image-Enhancement上公开获得。
2022-10-18 cs.CV cs.LG eess.IV
Underwater Image Enhancement Using Convolutional Neural Network
National Institute of Technology(国立理工学院)
提出了一种基于直方图均衡化原理的水下图像增强方法。由于水下图像具有全局强主色,因此其色彩和对比度常常降低。在对图像应用直方图均衡化技术之前,将图像从彩色图像转换为灰度图像以供进一步操作。直方图均衡化是一种用于调整图像强度以增强对比度的技术。使用卷积神经网络模型保留图像的颜色,该模型由水下图像的数据集训练,以提供更好的结果。
2021-09-18 cs.CV cs.LG eess.IV
Lightweight Low-Light Image Enhancement via Distribution-Normalizing Preprocessing and Depthwise U-Net
Sony Semiconductor Solutions Corporation(索尼半导体解决方案公司)
本文提出了一种轻量级两阶段框架,通过分布归一化预处理和深度卷积U-Net实现低光照图像增强,相比现有方法参数更少且感知质量更优。
2026-05-20 cs.AI cs.CV cs.LG
A Generic Fundus Image Enhancement Network Boosted by Frequency Self-supervised Representation Learning
Southern University of Science and Technology(南方科技大学);Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR)(新加坡科技研究局高性能计算研究所);South China University of Technology(华南理工大学);Pazhou Lab(琶洲实验室);New York University(纽约大学);Beijing Information Science and Technology University(北京信息科技大学)
提出通用眼底图像增强网络GFE-Net,利用频率自监督表示学习无需监督数据即可稳健校正未知眼底图像,在数据依赖性、增强性能、部署效率和规模泛化性上超越现有算法。
2023-09-02 cs.CV cs.LG eess.IV
Image Enhancement by Recurrently-trained Super-resolution Network
Seoul National University(首尔国立大学);LG Eletronics(LG电子)
我们引入了一种新的学习策略,通过多次循环训练相同的简单超分辨率(SR)网络来进行图像增强。该方法首先利用受损低分辨率(LR)图像和原始图像对SR网络进行训练,然后利用训练好的SR网络从原始未受损图像生成分辨率提高一倍的新高分辨率(HR)图像。然后,将新的HR图像缩小到原始分辨率,作为下一阶段SR网络的目标图像。通过重复训练的SR网络新生成的HR图像显示出更好的图像质量,并且训练LR以模仿新HR的这种策略可以导致更有效的SR网络。在一定程度上,通过多次重复该过程,可以获得越来越好的图像。这种SR的循环学习策略可以很好地缩小卷积网络的规模,并使SR网络更有效。为了衡量增强后的图像质量,在超分辨率和图像增强这一领域,我们第一次使用VIQET MOS评分,它比传统的MSE测量更准确地反映了人类的视觉质量。
2019-07-26 cs.CV cs.LG eess.IV