CDAN

CDAN: red de atención densa convolucional para la mejora de la imagen con poca luz

Hossein Shakibania, Sina Raoufi y Hassan Khotanlou

Resumen: Imágenes con poca luz, caracterizadas por una iluminación inadecuada, plantean desafíos de claridad disminuida, colores apagados y detalles reducidos. La mejora de la imagen con poca luz, una tarea esencial en la visión por computadora, tiene como objetivo rectificar estos problemas mejorando el brillo, el contraste y la calidad perceptiva general, facilitando así un análisis e interpretación precisos. Este documento presenta la red de atención densa convolucional (CDAN), una solución novedosa para mejorar las imágenes con poca luz. CDAN integra una arquitectura basada en autoencoder con bloques convolucionales y densos, complementados por un mecanismo de atención y conexiones de salto. Esta arquitectura garantiza una propagación de información eficiente y aprendizaje de características. Además, una fase de postprocesamiento dedicada refina el equilibrio de color y el contraste. Nuestro enfoque demuestra un progreso notable en comparación con los resultados de última generación en la mejora de la imagen con poca luz, mostrando su robustez en una amplia gama de escenarios desafiantes. Nuestro modelo se desempeña notablemente en los conjuntos de datos de referencia, mitigando efectivamente la insuficiencia y la restauración de texturas y colores de manera competente en diversos escenarios de poca luz. Este logro subraya el potencial de CDAN para diversas tareas de visión por computadora, lo que permite la detección y el reconocimiento de objetos robustos en condiciones desafiantes de poca luz.

Figura 1: La estructura general del modelo propuesto.

Resultados experimentales

En esta sección, presentamos los resultados experimentales obtenidos entrenando nuestro modelo CDAN utilizando el conjunto de datos de poca luz (LOL) y evaluando su rendimiento en múltiples conjuntos de datos de referencia. El propósito de esta evaluación es evaluar la robustez de nuestro modelo en un espectro de condiciones de iluminación desafiantes.

Conjuntos de datos

Conjunto de datos	No. de imágenes	Emparejado	Características
JAJAJA	500	✅	Interior
Exdark	7363		Extremadamente oscuro, interior, al aire libre
DICM	69		Interior, al aire libre
VV	24		Áreas severamente bajo/sobreexpuestas

Evaluación cuantitativa

Método de aprendizaje	Método	Avg. PSNR ↑	Avg. SSIM ↑	Avg. LPIP ↓
Supervisado	LLNET	17.959	0.713	0.360
	Lightennet	10.301	0.402	0.394
	Mbllen	17.902	0.715	0.247
	Retinex-net	16.774	0.462	0.474
	Amable	17.648	0.779	0.175
	Kind ++	17.752	0.760	0.198
	Tbefn	17.351	0.786	0.210
	DSLR	15.050	0.597	0.337
	Red	21.513	0.805	0.273
Semi-supervisado	Drbn	15.125	0.472	0.316
No supervisado	Ilustrado	17.483	0.677	0.322
Cero	Excnet	15.783	0.515	0.373
	Cero-dce	14.861	0.589	0.335
	Rrdnet	11.392	0.468	0.361
	Propuesto (CDAN)	20.102	0.816	0.167

Evaluación cualitativa

Figura 2: Comparación visual de modelos de última generación en el conjunto de datos Exdark.

Figura 3: Comparación visual de modelos de última generación en el conjunto de datos DICM.

Instalación

Para comenzar con el proyecto CDAN, siga estos pasos:

1. Clonar el repositorio

Puede clonar el repositorio usando git. Abra su terminal y ejecute el siguiente comando:

git clone [email protected]:SinaRaoufi/CDAN.git

2. Configurar variables ambientales

Después de la clonación, navegue al directorio del proyecto y ubique el archivo .env. Este archivo contiene valores y configuraciones de hiperparameter importantes para el modelo CDAN. Puede personalizar estas variables de acuerdo con sus requisitos.

Abra el archivo .env usando un editor de texto de su elección y modifique los valores según sea necesario:

 # Example .env file

# Directory paths
DATASET_DIR_ROOT=/path/to/your/dataset/directory
SAVE_DIR_ROOT=/path/to/your/saving/model/directory
MODEL_NAME=model

# Hyperparameters
INPUT_SIZE=200
BATCH_SIZE=32
EPOCHS=80
LEARNING_RATE=0.001

3. Instalar dependencias

Puede instalar dependencias del proyecto utilizando PIP:

pip install -r requirements.txt

4. Ejecute el proyecto

Ahora estás listo para ejecutar el proyecto CDAN. Para comenzar la capacitación, use el siguiente comando:

python train.py

Para probar el modelo entrenado, ejecute:

python test.py --datasetPath " path/to/the/dataset " --modelPath " path/to/the/saved/model " --isPaired " True/False " 

Requisitos

El siguiente hardware y software se utilizaron para capacitar al modelo:

• GPU: Nvidia GeForce RTX 3090
• Ram: 24 GB SSD
• Sistema operativo: Ubuntu 22.04.2 LTS
• Versión de Python: 3.9.15
• Versión de Pytorch: 2.0.1
• Pytorch CUDA Versión: 11.7

Citación

 @article { SHAKIBANIA2025104802 ,
  title = { CDAN: Convolutional dense attention-guided network for low-light image enhancement } ,
  journal = { Digital Signal Processing } ,
  volume = { 156 } ,
  pages = { 104802 } ,
  year = { 2025 } ,
  issn = { 1051-2004 } ,
  doi = { https://doi.org/10.1016/j.dsp.2024.104802 } ,
  url = { https://www.sciencedirect.com/science/article/pii/S1051200424004275 } ,
  author = { Hossein Shakibania and Sina Raoufi and Hassan Khotanlou } ,
}