YOLOv8改进 | 主干篇 | 低照度增强网络Retinexformer改进黑夜目标检测 （全网独家首发）

已于 2024-03-18 09:50:20 修改
阅读量4.4k 收藏 27
点赞数 12
分类专栏： YOLOv8有效涨点专栏 文章标签： YOLO 目标检测 人工智能 深度学习 pytorch 计算机视觉 python
于 2024-01-20 04:36:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/java1314777/article/details/135710039
版权
本文介绍了Retinexformer，一种针对低光照图像的增强网络，通过一阶段Retinex-based框架结合照明信息恢复，改善低光图像质量。文章详细阐述了框架原理、核心代码及添加到YOLO模型的方法，并提供了训练过程记录。Retinexformer在低照度目标检测中表现出色，具有较小的GFLOPs和参数量。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、本文介绍

本文给大家带来的改进机制是低照度图像增强网络Retinexformer，其是由今年最新发布的针对于黑夜目标检测的改进机制（非常适合大家用来发表论文），其主要思想是通过一种新颖的一阶段Retinex-based框架来增强低光图像。这个框架结合了照明信息的估计和损坏恢复，目的是提高低光图像的质量。核心在于照明引导的变换器，这种变换器使用照明信息来引导长期依赖性的建模，从而在不同照明条件下更好地处理图像。欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。

欢迎大家订阅我的专栏一起学习YOLO！

下图展示了Retinexformer相对于各种图像增强网络的对比效果 ，最新版本的Retinexformer在各种场景都表现的很优秀，该网络的GFLOPs为18.4，参数量为308w在低照度网络中是非常小的。

专栏回顾：YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备      

目录

一、本文介绍

二、 Retinexformer的框架原理

三、 Retinexformer的核心代码

四、Retinexformer的添加方式 

4.1 修改一

4.2 修改二 

4.3 修改三 

关闭混合精度验证！

打印计算量的问题！

五、Retinexformer的yaml文件和运行记录

5.1 Retinexformer的yaml文件

了解本专栏 订阅专栏 解锁全文
改进YOLOv8系列：引入低照度图像增强网络Retinexformer | 优化低光照目标检测那题
qq_44224801的博客
10-26 686
改进YOLOv8系列：引入低照度图像增强网络Retinexformer | 优化低光照目标检测那题
YOLOv8 改进系列：引入 Retinexformer 主干网络用于低光照物体检测
最新发布
走向CTO的路上...
04-10 761
Retinex 理论旨在模拟人类视觉系统如何感知颜色和亮度，即使在不均匀光照下，也能维持对物体色彩和纹理的恒定感知。这一理论广泛用于图像增强，尤其是在处理低光照图像时。# 初始化 Transformer 配置，调优参数以适应图像增强# 假设输入已被处理为适合 Transformer 的形状# 在实际应用中，需要将图像转化为适合 Transformer 的输入格式nn.Conv2d(768, 512, kernel_size=1), # 根据 Transformer 输出调整通道数。
低照度增强算法（图像增强+目标检测+代码）
QQ_1309399183的博客
11-03 1263
低照度增强算法（图像增强+目标检测+代码）
YOLOv8改进 | 主干篇 | 低照度图像增强网络SCINet改进黑暗目标检测
走向CTO的路上...
09-08 1139
本文介绍了如何利用低照度图像增强网络SCINet改进YOLOv8模型的黑暗目标检测性能。SCINet可以有效地增强低照度图像的质量，从而提高目标检测的精度。本文提出了一种利用SCINet网络改进YOLOv8模型的黑暗目标检测方法。该方法可以有效地提高YOLOv8在低照度条件下的检测精度。
芒果YOLOv8改进40：主干Backbone篇之LEF：：黑夜小目标检测，ICANN会议出品，原创LEF模块，增强图像增强组成
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-06 826
YOLOv8实践改进代码｜ICANN会议出品
Retinex+中值滤波+YOLO目标检测
weixin_44957838的博客
08-11 851
将VS2017+OpenCV3.4.1下上个文章说写的不完整Retinex代码处理结果图拿到matlab，用matlab中下载的yolo算法进行目标检测。 在送入yolo网络之前，加一个中值滤波，再进行目标检测。 %% Object Detection Using YOLO v2 Object Detector % The following code demonstrates running prediction on a pre-trained YOLO v2 % network, trained o
【YOLOv10改进[暗黑场景]】低照度图像增强网络 | 使用RetinexFormer(2023.10)改进暗光条件下的物体检测效果 + 含全部代码和详细修改方式 + 手撕结构图
静谧、淡雅
08-13 566
【YOLOv10改进[暗黑场景]】低照度图像增强网络 | 使用RetinexFormer(2023.10)改进暗光条件下的物体检测效果 + 含全部代码和详细修改方式 + 手撕结构图
retinex 的水下图像增强算法_2020年全国水下机器人（湛江）大赛——水下光学图像目标检测 Rank3 方案分享...
weixin_35564059的博客
12-27 1888
大赛主页：水下目标检测算法赛（光学图像赛项）​www.kesci.com赛题任务在真实海底图片数据中检测出不同海产品（海参、海胆、扇贝、海星）的位置，评测指标：0.5 *精度（mAP） + 0.5 * 速度图例团队信息团队：科学炼丹该团队在初赛A榜位列第6，B榜位列第8，经过组委会复现，获得了精度排名6，速度排名6的成绩，最终通过主观评审确认，取得了rank3的成绩。以下是该团队的方案分享。比赛的...
YOLOv5改进 | 主干篇 | 低照度增强网络Retinexformer改进黑夜目标检测 （2023.11最新成果，全网独家首发）
Snu77的博客
01-22 1452
本文给大家带来的改进机制是低照度图像增强网络，其是由今年最新发布的针对于黑夜目标检测的改进机制（非常适合大家用来发表论文），其主要思想是通过一种新颖的一阶段Retinex-based框架来增强低光图像。这个框架结合了照明信息的估计和损坏恢复，目的是提高低光图像的质量。核心在于照明引导的变换器，这种变换器使用照明信息来引导长期依赖性的建模，从而在不同照明条件下更好地处理图像。欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。欢迎大家订阅我的专栏一起学习YOLO。
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 15万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
Snu77的博客
11-05 4万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
芒果YOLOv8改进40：主干Backbone篇之LEF（二）：黑夜小目标检测，ICANN会议出品，增强图像增强组成
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-13 1011
YOLOv8实践改进代码｜ICANN会议出品
ICCV 2023 | Retinexformer 暗光增强，图像恢复最新sota，清华大学联合ETH等开源
idol24的博客
09-27 2785
本文编辑 新智元 编辑：LRS【新智元导读】全面超越暗光增强sota模型，Retinexformer架构端到端、单阶段解决过曝、伪影、低光等问题！在增强弱光图像时，许多深度学习算法都是基于Retinex理论的，不过Retinex模型没有考虑隐藏在黑暗中或由点亮过程引入的损坏。此外，这些方法通常需要繁琐的多阶段训练管道，并依赖于卷积神经网络，在捕获长期依赖性方面存在局限性。来自清华大学、维尔茨堡大...
【论文精读】Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement
weixin_54098256的博客
03-15 3374
AbstractAbstract：增强低光照图片：很多算法使用Retinex理论①很多Retinex模型没有考虑到损坏（corruptions）现象（噪声、伪影、色彩失真等现象），这种损坏藏在黑暗中or在光照的过程中被引入；②这些算法需要繁琐的多步骤训练pipeline，它们依赖于卷积神经网络，在捕获long-range的依赖的时候存在局限性。①提出一个简单但有规则的基于Retinex的单阶段框架（ORF②设计一个光照引导的transformer（IGT。
论文阅读——《Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement》
Vaeeeee的博客
10-24 7558
本文试图从原理和代码简单介绍低照度增强领域中比较新的一篇论文——Retinexformer，其效果不错，刷新了十三大暗光增强效果榜单。论文主要贡献总结如下:1.提出了首个与Retinex理论相结合的 Transformer 算法，命名为 Retinexformer。
Retinexformer One-stage Retinex-based Transformer for Low-light Image Enhancement
qq_46401672的博客
10-17 1013
在增强弱光图像时，许多深度学习算法都基于 Retinex 理论。然而，Retinex 模型并没有考虑隐藏在黑暗中或由亮光过程引入的损坏。此外，这些方法通常需要繁琐的多阶段训练管道，并且依赖于卷积神经网络，在捕捉长距离依赖关系方面存在局限性。在本文中，我们提出了一个简单而原则性强的基于 Retinex 的单阶段框架（ORF）。ORF 首先估计照度信息以照亮低照度图像，然后恢复损坏的图像以生成增强图像。我们设计了一个光照引导变换器（IGT），利用光照表征来引导不同光照条件区域的非局部交互建模。
YOLOv10改进系列，YOLOv10主干网络引入Retinexformer，用于低光照物体检测
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
09-03 867
该方法的整体架构，正如图(a)所示，我们的Retinexformer基于我们提出的一阶段Retinex框架(ORF)。ORF由一个照明估计器(i)和一个损坏恢复器(ii)组成。我们设计了一个照明引导变换器(IGT)作为损坏恢复器。图(b)中描述了IGT的基本单元是照明引导注意力块(IGAB)，它由两个层归一化(LN)、一个照明引导多头自注意力(IG-MSA)模块和一个前馈网络(FFN)组成。图©展示了IG-MSA的细节。
【YOLO v5 v7 v8 v9小目标改进】DWRSeg：优化的多尺度处理，传统的深度学习模型可能在不同尺度的特征提取上存在冗余
Debroon
03-05 1665
这种方法更有效，因为它不是盲目地尝试用一把万能钥匙去打开所有锁，而是先根据锁的类型和大小选择合适的钥匙，然后再进行精细的调整，这样就大大提高了打开锁的效率和成功率。为了解决这个问题，本文提出了一种新的方法，可以想象为先用一组不同的小钥匙（区域残差化）去粗略匹配不同类型的锁，这样可以确定哪些锁是容易打开的，哪些是难以打开的。这里的“锁”比喻了需要识别和分割的复杂特征，而“钥匙的齿部伸缩”则类似于深度学习中的深度扩张卷积操作，旨在捕捉不同尺度的特征。起始模块作为网络的入口，处理初始图像数据；
【DWRSeg】重新思考高效获取多尺度上下文信息以进行实时语义分割
向上生长的程序媛的博客
02-22 3238
DWRSeg网络模型详解，深入理解膨胀卷积的作用，以及在不同阶段扩大感受野的模型设计思路。含论文下载地址。
retinexformer
03-01
### RetinexFormer介绍 RetinexFormer是一种基于Transformer架构的一阶段低光照图像增强方法。该模型旨在解决传统低光照增强算法中存在的色彩失真、细节丢失等问题，通过引入内部引导变换（IGT），将传统的Retinex理论与现代深度学习技术相结合[^2]。 #### 模型结构特点 - **一阶段框架设计**：RetinexFormer采用了一种简单而有效的一阶段框架（ORF）。此框架能够直接从输入的低光图像中估计出合理的照明信息，并据此调整像素亮度分布，从而实现自然且真实的视觉效果提升[^3]。 - **融合Retinex理论**：利用经典的Retinex理论来指导网络的设计，在保持原有颜色特性的基础上改善暗部区域的表现力。具体来说，就是把原始图片分解成反射分量和光照分量两部分处理后再合成最终结果[^1]。 - **高效的数据表示能力**：借助于自注意力机制的优势，使得模型可以更好地捕捉全局上下文依赖关系以及局部特征之间的关联性，进而提高了对于复杂场景下不同物体表面材质属性的理解精度。 ```python import torch from retinexformer import RetinexFormerModel model = RetinexFormerModel() input_image = torch.randn(1, 3, 256, 256) # 假设输入尺寸为 (batch_size=1, channels=3, height=256, width=256) output_enhanced_image = model(input_image) print(output_enhanced_image.shape) # 输出应具有相同的形状 ``` ### 应用领域 - **夜间监控视频质量优化**：通过对采集到的画面进行实时预处理，使后续分析任务更加容易执行，比如人脸识别、车牌识别等操作准确性会显著提高[^4]。 - **自动驾驶辅助系统中的环境感知模块**：当车辆行驶至光线条件较差路段时，经过增强后的影像有助于传感器更精准地判断周围障碍物位置及距离信息，保障行车安全。 - **医疗影像诊断支持工具开发**：某些特殊情况下拍摄所得X射线片可能存在曝光不足现象，此时运用此类技术可帮助医生获得更为清晰直观的观察视角，有利于病情评估工作开展。
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值