面向低照度图像增强的注意力曝光融合网络
Attention Exposure Fusion Network for Low-Illumination Image Enhancement作者机构:重庆师范大学计算机与信息科学学院重庆401331
出 版 物:《计算机工程与应用》 (Computer Engineering and Applications)
年 卷 期:2023年第59卷第20期
页 面:237-244页
核心收录:
学科分类:08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程]
基 金:国家自然科学基金(11471061) 重庆市自然科学基金(cstc2018jcyjAX0470) 重庆市教委科学技术研究项目(KJZDM202000501)。
摘 要:低照度图像增强用于提高低照度图像的亮度并充分挖掘图像中的隐藏信息。最近,基于深度学习的低照度图像增强方法相对于传统方法取得了显著的优势。为了解决现有方法可能会导致图像亮部细节过曝或暗部细节丢失、无法兼顾图像暗部和亮部细节的问题。提出一种多尺度注意力曝光融合网络。从单个图像中生成一组具有不同曝光倍率的图像。每张图像通过提出的多尺度注意力模块提高低照度图像增强性能。提出的残差上下文模块对输入特征进行全局上下文建模,获取丰富的全局特征。选择性内核模块利用注意力机制结合具有不同感受野的特征,同时保留了它们独特的互补特征。融合模块通过融合不同曝光倍率图像中曝光良好的区域来构建一张曝光准确、细节丰富的图像。在SID数据集上与近年来主流方法进行了对比,PSNR和SSIM性能相比SID方法分别提升了0.72 dB和0.08。实验结果表明,改进的方法比现有方法拥有更好的细节还原和色彩还原能力。