LL-UNet++: Ein auf UNet++ basierendes Netzwerk mit geschachtelten Skip-Verbindungen zur Verbesserung von Bildern bei schwachem Licht

Die Verbesserung von Bildern bei schwachem Licht stellt mehrere Herausforderungen dar, wie z.B. Bilddunkelheit, starke Farbverzerrung und Rauschen. Um diese Probleme zu lösen, schlagen wir einen neuartigen Algorithmus zur Verbesserung von Bildern bei schwachem Licht mit geschachtelten Skip-Verbindungen basierend auf UNet++ vor. Dieses Design erleichtert die Weiterleitung feinerer Merkmale und verbessert die Informationsübertragung, was zu einer besseren Verbesserung der Bildhelligkeit, einer Reduzierung der Farbverzerrung und einer Beibehaltung feiner Details führt. Um Rauschen, das möglicherweise durch Skip-Verbindungen eingeführt wird, zu beseitigen, haben wir einen spezifischen Residualblock basierend auf Instanz-Normalisierung (IN) entworfen. IN kann jede Probe unabhängig verarbeiten, was es dem Modell ermöglicht, sich besser an die spezifischen Lichtverhältnisse und Rauschpegel jedes Bildes anzupassen. Darüber hinaus schlagen wir eine neue hybride Verlustfunktion vor, die gleichzeitig mehrere kritische Attribute eines Bildes betont, was überlegene Verbesserungsergebnisse bei mehreren wichtigen Metriken liefert. Der vorgeschlagene Algorithmus erzielt eine fortgeschrittene Leistung im LOL-Datensatz mit Werten von 23,0047 und 0,8682 bei den PSNR- und SSIM-Metriken, respectivamente. Umfangreiche Experimente zeigen die Effektivität und Überlegenheit unseres vorgeschlagenen Algorithmus. Der Code ist verfügbar unter https://github.com/xiwang-online/LLUnetPlusPlus.