[愚见]Lightening Network for Low-LightImage Enhancement

文章开始展示了作者自己的DLN(deep lighting network)增强图像的效果,由于γ(类似亮度控制)的原因,感觉比GT效果还好。

不同γ对图像的影响。γ=1是就是estimate normal lighting image。

作者的初衷是什么呢?作者认为没有绝对的NL(normal lighting)图像,NL图像不过就是比LL图像像素值高一些,动态范围更大一些。受超分辨[1]的思想,希望利用反向投影从LL(low -lighting)图像中重建出NL图像。 所以作者提出了LBP(lighting back projiection)模块(对特征图进行残差学习,增强明亮效果),和FA(feature aggregation)模块(重新校准特征图特征)。

什么是Back-projection:

只对[1]中的UP-projection做讲解。Lt-1 

即:弱光图像+残差 = 正常光图像  :

而整个DLN网络的主要工作就是要计算P(·),什么样的P作用到X上会得到一个X与Y之间的最优残差。 整个DLN也就可以概括为一个大型残差计算网络。

DLN架构图,接下来介绍LBP ,FA模块。

 LBP模块:借鉴了反向投影,这里可以由论文介绍得知。

 结合公式看。

 offset estimating 这里是对NL-LL图像进行一个学习,学习一个大概的偏执量,对图像进行一个像素增强(提亮),+操作就是加上增强像素,-操作就是减去增强像素。

FA模块主要是三个步骤。特征链接,校准,下采样(Digesting)。

这里第一步连接多个不同深度的,应该就是经过64层的卷积得到的不同特征程度的特征图(可以近似理解为低频图,高频图这个样子的图进行的连接)

 

 这里的Recalibration操作类似SEnet,在文章第三页的特征校准处介绍了,element-wise multiplication操作。

最后是LOSS,不做解释。

 

 

  • 0
    点赞
  • 0
    评论
  • 1
    收藏
  • 打赏
    打赏
  • 扫一扫,分享海报

©️2022 CSDN 皮肤主题:1024 设计师:我叫白小胖 返回首页

打赏作者

霓虹甜心z

你的鼓励将是我创作的最大动力

¥2 ¥4 ¥6 ¥10 ¥20
输入1-500的整数
余额支付 (余额:-- )
扫码支付
扫码支付:¥2
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
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、C币套餐、付费专栏及课程。

余额充值