Mejora de imágenes de bajo nivel de luz mediante fusión bilateral con restricciones de información implícita

Resumen La investigación sobre la mejora de imágenes de bajo nivel de luz se centra en mejorar la calidad de la imagen en condiciones de poca luz. Recientemente, el aprendizaje profundo ha impulsado avances significativos, con muchos estudios utilizando redes neuronales para mejorar las imágenes de bajo nivel de luz. Sin embargo, la mayoría se centra en diseños de red complejos para aumentar la no linealidad, a menudo descuidando la información implícita de las transformaciones locales de la imagen. Este artículo presenta un método mejorado basado en U-net para la mejora de bajo nivel de luz, conservando la red de codificación original y agregando enlaces de ramificación en la red de decodificación. El método utiliza fusión de características de atención para manejar el ruido de la imagen y los gradientes por separado, ajustando el brillo a través de una transformación adaptativa al gradiente. Este enfoque optimiza el rendimiento utilizando funciones de pérdida como la relación señal-ruido pico y la consistencia del color. A diferencia de los métodos anteriores, el enfoque enfatiza la extracción de información implícita de los gradientes de imagen, logrando una mejora que se alinea con la distribución de brillo original. El resultado son imágenes mejoradas con alta similitud de detalle con respecto a la original, lograda a través de inferencia de extremo a extremo en experimentos.