典型文献
基于GAN和U-Net的低光照图像增强算法
文献摘要：
夜间、低光照等条件下的产生的图像数据,存在画面过暗、细节丢失的问题,对理解图像内容、提取图像特征造成阻碍.研究针对此类图像的增强方法,恢复图像的亮度、对比度和细节,在数字摄影、上游计算机视觉任务中有着重要的应用价值.本文提出一种基于U-Net的生成对抗网络,生成器采用带有混合注意力机制的U-Net模型,其中混合注意力模块将非对称的non-local的全局信息和通道注意力的通道权重信息相结合,提高网络的特征表示能力.判别器采用基于PatchGAN的全卷积网络模型,对图像不同区域进行局部处理.本文引入多损失加权融合的方法,从多个角度引导网络学习低光照图像到正常光照图像的映射.通过实验证明,该方法在峰值信噪比、结构相似性等客观指标上取得较好的成绩,同时合理的恢复了图像的亮度、对比度和细节,直观上改善了图像的感知质量.
文献关键词：
低光照图像增强;生成对抗网络;U-Net;混合注意力;non-local;深度学习
中图分类号：
作者姓名：
李晨曦;李健
作者机构：
中国科学院 计算机网络信息中心, 北京 100190;中国科学院大学, 北京 100049
文献出处：
引用格式：
[1]李晨曦;李健-.基于GAN和U-Net的低光照图像增强算法)[J].计算机系统应用,2022(05):174-183
A类：
B类：
Net,低光照图像增强,图像增强算法,图像数据,图像特征,增强方法,亮度,对比度,数字摄影,计算机视觉,视觉任务,生成对抗网络,生成器,混合注意力机制,注意力模块,local,全局信息,通道注意力,重信,特征表示,示能,判别器,PatchGAN,全卷积网络模型,加权融合,网络学习,峰值信噪比,结构相似性,客观指标,感知质量
AB值：
0.313709
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
