计算机科学>计算机视觉和模式识别
标题: 一种具有多尺度注意变换和亮度一致性损失的非均匀微光图像增强方法
摘要: 微光图像增强旨在改善在昏暗环境中采集的图像的感知,并为图像识别任务提供高质量的数据支持。 现有的方法在处理非均匀光照下拍摄的照片时,不能自适应地提取差异化的亮度信息,容易导致曝光过度和曝光不足。 从非监督学习的角度出发,我们提出了一种多尺度注意力变换器MSATr,该变换器充分提取局部和全局特征以实现光平衡,从而提高视觉质量。 具体来说,我们提出了一种多尺度窗口划分方案,该方案使用指数序列来调整每个层的窗口大小。 在不同大小的窗口中,可以细化自关注计算,确保模型的像素级特征处理能力。 对于跨窗口的特征交互,构建了全局变换器分支,以提供全面的亮度感知并缓解曝光问题。 此外,我们提出了一种循环训练策略,利用加权混合生成的不同图像和亮度一致性损失来有效提高模型的泛化能力。 在几个基准数据集上进行的大量实验定量和定性地证明,我们的MSATr优于最先进的微光图像增强方法,并且增强后的图像具有更自然的亮度和突出的细节。 代码发布于 此https URL .