FMR-NET:用于弱光图像增强的快速多尺度残差网络（已更新三类预训练模型）

之前上传的代码存在一定问题，目前已重新更新并上传了三类新的预训练模型供大家使用

paper     Github     CSDN下载

动机：

不按摘要来形式来写，本文的动机在于一个，减少模型参数量，加快运行速度，以及取得还不错的效果。因此，就存在两个方面的技术问题：第一，如何降低参数量；第二，如何降低内存访问的次数(这个观点从FasterNET就可以看出，很多文章也在提这个点)；第三，如何取得还不错的增强效果。

因此，我自己思考的是两个：第一个是输入通道的通道数量应该小（特征冗余很多；相较于FasterNet的局部卷积；直接减少通道感觉也行）；第二个在于特征提取的能力必须很强(1.基本会使用大量残差，但是残差其实是加大了内存访问次数的，因此也不能太多；2.必须加入多尺度的环节，但是许多的多尺度卷积会增大整个网络的复杂度)；第三个是推理速度的问题（合理的残差结构和通道叠加，拓扑推理速度会很快）

所以，我们提出了如下的网络结构：

网络结构

对于整个网络而言，最关键的技术，在于MRB这个模块的构建。因此我们后面做了消融实验去验证它。首先，这个模块有两类思想：1.特征叠加的思想。单一通道的并联操作，在拓扑推理中运行速度是按照推理计算最大的卷积核为标准的，因此可以并联许多不同类型的核；2.双重的残差设计。具体可以看一下原文。

为了尽可能地轻量化，我们做了一个非常简略的通道注意力模块，同时，在MMFF-NET这篇文章中，虽然利用特征点成作增亮效果更好；但是为了更加迅速，Zero-DCE的操作蚕食FLOPs最小的。因此我们还是使用的这类策略。

整个网络非常简单，非常方便训练和改造，也非常方便大家部署+即插即用。

展示效果：

我们全新的代码中，提供了3类全新的预训练模型。分别是使用LOL，FiveK（艺术家C）和LOL+FiveK，三个版本。具体效果如下：

原图如下：

三类预训练的效果其实都还不错。主要看您针对于什么模型。如果您需要自己训练模型，直接使用自己的有监督学习数据集即可。

对比实验

实验部分我们做了两类实验。一个是MRB的消融实验。这里的消融实验我感觉更多是做的模块性能的一个对比试验。在这里我们比较了不同常用多尺度模块的性能，并且使用PSNR/SSIM比较了谁更牛逼。（肯定是我们的模块最好了=_=）同时我们还和其他算法进行了比较。

欢迎引用我的算法+代码：

感谢各位的支持。

Chen, Yuhan, et al. "FMR-Net: a fast multi-scale residual network for low-light image enhancement." Multimedia Systems 30.2 (2024): 73.