Verbesserung von Niedriglichtbildern durch ein tiefes hybrides Netzwerk

Kamerasensoren sind oft nicht in der Lage, klare Bilder oder Videos in schwach beleuchteten Umgebungen aufzunehmen. In diesem Papier schlagen wir ein trainierbares hybrides Netzwerk vor, um die Sichtbarkeit solcher degradierten Bilder zu verbessern. Das vorgeschlagene Netzwerk besteht aus zwei unterschiedlichen Strömen, um gleichzeitig den globalen Inhalt und die markanten Strukturen des klaren Bildes in einem einheitlichen Netzwerk zu lernen. Genauer gesagt schätzt der Inhaltsstrom den globalen Inhalt des Niedriglichtinputs durch ein Encoder-Decoder-Netzwerk. Der Encoder im Inhaltsstrom neigt jedoch dazu, einige Strukturdetails zu verlieren. Um dies zu beheben, schlagen wir ein neuartiges räumlich variables rekurrentes neuronales Netzwerk (RNN) als Kantenausgang vor, um Kantendetails zu modellieren, mit der Anleitung eines anderen Autoencoders. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene Netzwerk im Vergleich zu den aktuellen Algorithmen zur Verbesserung von Niedriglichtbildern vorteilhaft abschneidet.