Key points are not available for this paper at this time.
L'amélioration des images en faible luminosité présente plusieurs défis, tels que l'obscurité de l'image, de graves distorsions de couleur et du bruit. Pour aborder ces problèmes, nous proposons un nouvel algorithme d'amélioration des images en faible luminosité avec des connexions de saut imbriquées basé sur UNet++. Ce design facilite la propagation de caractéristiques plus fines et améliore la transmission d'informations, ce qui permet une meilleure amélioration de la luminosité de l'image, une réduction de la distorsion des couleurs et une conservation des détails fins. Pour éliminer le bruit potentiellement introduit par les connexions de saut, nous avons conçu un bloc résiduel spécifique basé sur la Normalisation d'Instance (IN). L'IN peut traiter chaque échantillon de manière indépendante, permettant au modèle de mieux s'adapter aux conditions d'éclairage spécifiques et aux niveaux de bruit de chaque image. De plus, nous proposons une nouvelle fonction de perte hybride qui met simultanément l'accent sur plusieurs attributs critiques d'une image, produisant de meilleurs résultats d'amélioration sur plusieurs indicateurs clés. L'algorithme proposé atteint une performance avancée sur le jeu de données LOL, obtenant un score de 23.0047 et 0.8682 sur les métriques PSNR et SSIM, respectivement. D'importantes expériences démontrent l'efficacité et la supériorité de notre algorithme proposé. Le code est disponible sur https://github.com/xiwang-online/LLUnetPlusPlus.
Shi et al. (Mon,) ont étudié cette question.