Zero-DCE网络的自适应损失函数改进
Improvement on the adaptive loss function for the Zero-DCE network作者机构:天津理工大学电气工程与自动化学院天津300384 国电联合动力技术有限公司北京100039 河北工业大学人工智能与数据科学学院天津300401
出 版 物:《光电子.激光》 (Journal of Optoelectronics·Laser)
年 卷 期:2024年第35卷第2期
页 面:135-142页
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金面上项目(62173124)资助项目
主 题:图像增强 自适应 伽马变换 曝光损失函数 卷积神经网络(CNN) 注意力机制
摘 要:针对轻量化微光增强网络Zero-DCE在处理亮度变化范围较大的微光图像时,存在不同区域亮度增强不一致导致的图像不清晰问题,本文提出了一种基于伽马变换的自适应损失函数,在原损失函数的基础上降低了网络对图像曝光差异的敏感性,明显改善了微光增强效果。该方法通过在卷积神经网络(convolutional neural network, CNN)中添加CBAM模块提高网络对微光图像特征的表达能力,使用网络增强图像灰度平均值与增强特征图均值的对数距离作为伽马变换自适应系数,最后计算网络增强图像和伽马变换后的图像之间的灰度参数距离。实验表明,与原网络相比,改进后的方法处理效果提升显著,其中在图像评价指标方面,均方误差提升9.7%,峰值信噪比提升13.8%,结构相似性提升6.7%。