簡介

（1）論文2：
Attention Guided Low-light Image Enhancement with a Large Scale Low-light Simulation Dataset
（2）論文鏈接：
https://arxiv.org/pdf/1908.00682v3.pdf
（3）源代碼鏈接：
https://github.com/Lvfeifan/MBLLEN

主要idea

弱光圖像增強具有一定的挑戰性，因為它不僅需要考慮亮度恢復，還需要考慮顏色失真和噪聲等復雜問題，這些問題通常隱藏在黑暗中。簡單地調整低光圖像的亮度將不可避免地放大這些偽影。本文提出了一種基于多分支卷積神經網絡的端到端注意力引導方法，且在多個數據集上的大量實驗表明，我們的方法可以產生高保真的低光圖像增強結果，并在數量和視覺上大大優于現有的先進方法。

實驗簡介

首先用精心設計的弱光模擬策略構建一個合成數據集。該數據集比現有數據集更大、更多樣化。利用新的數據集進行訓練，學習兩個注意圖分別指導亮度增強和去噪任務。第一種注意圖區分了曝光不足和光照充足的區域，第二種注意圖區分了噪聲和真實紋理。
實驗環境：
python
數據集：
Training set contains three sub-sets:
1.train (Original images as the ground truth, image size is 256256, JPG image)
2.train_dark (Synthetic lowlight images without additional noise, image size is 256256, JPG image)
3.train_lowlight (Synthetic lowlight images with Poisson noise, image size is 256*256, JPG image)
model：
LOL_img_lowlight.h5
Syn_img_lowlight.h5
Syn_img_lowlight_withnoise.h5（默認模型）
運行步驟：
1）可以直接運行test.py，輸入為input文件下圖片，默認使用Syn_img_lowlight_withnoise.h5模型，輸出在result文件夾。
2）也可以直接用自己的數據集訓練模型在在運行，訓練模型是運行train.py,要注意更改代碼中數據集的地址。

實驗結果

輸出結果為輸入的每一張圖增加為三張，第一張為原圖，第二張為將光線不足的區域與光線充足的區域區分開所得到的圖，第三張為將噪聲與真實紋理區分開的圖
（1）Syn_img_lowlight_withnoise模型




（2）Syn_img_lowlight模型




（3）LOL_img_lowlight模型

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的二维码提升对比度文献调研(4)--Attention Guided Low-light Image Enhancement的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。