CDAN

CDAN: Réseau dense dense convolutionnel pour l'amélioration de l'image à faible luminosité

Hossein Shakibania, Sina Raoufi et Hassan Khotanlou

Résumé: Des images à faible luminosité, caractérisées par un éclairage inadéquate, posent des défis de clarté diminuée, de couleurs en sourdine et de détails réduits. L'amélioration de l'image à faible lumière, une tâche essentielle dans la vision par ordinateur, vise à rectifier ces problèmes en améliorant la luminosité, le contraste et la qualité globale perceptuelle, facilitant ainsi une analyse et une interprétation précises. Cet article présente le réseau de dense dense convolutionnel (CDAN), une nouvelle solution pour améliorer les images à faible luminosité. CDAN intègre une architecture basée sur AutoEncoder avec des blocs convolutionnels et denses, complétés par un mécanisme d'attention et des connexions de saut. Cette architecture garantit une propagation efficace des informations et un apprentissage des fonctionnalités. De plus, une phase de post-traitement dédiée affine l'équilibre et le contraste des couleurs. Notre approche démontre des progrès notables par rapport aux résultats de pointe de l'image à faible lumière, présentant sa robustesse à travers un large éventail de scénarios difficiles. Notre modèle fonctionne remarquablement sur les ensembles de données de référence, atténuant efficacement la sous-exposition et la restauration approfondie des textures et des couleurs dans divers scénarios à faible luminosité. Cette réalisation souligne le potentiel de CDAN pour diverses tâches de vision par ordinateur, permettant notamment une détection et une reconnaissance d'objets robustes dans des conditions de faible luminosité.

Figure 1: La structure globale du modèle proposé.

Résultats expérimentaux

Dans cette section, nous présentons les résultats expérimentaux obtenus en formant notre modèle CDAN à l'aide de l'ensemble de données à faible luminosité (LOL) et en évaluant ses performances sur plusieurs ensembles de données de référence. Le but de cette évaluation est d'évaluer la robustesse de notre modèle à travers un spectre de conditions d'éclairage difficiles.

Ensembles de données

Ensemble de données	Nombre d'images	Jumelé	Caractéristiques
MDR	500	✅	Intérieur
Exdark	7363		Extrêmement sombre, intérieur, extérieur
Dicm	69		Intérieur, extérieur
Vv	24		Zones gravement sous / surexposées

Évaluation quantitative

Méthode d'apprentissage	Méthode	Avg. PSNR ↑	Avg. Ssim ↑	Avg. LPIPS ↓
Supervisé	Llnet	17.959	0,713	0,360
	Lightnenet	10.301	0,402	0,394
	Mblen	17.902	0,715	0,247
	Retinex-net	16.774	0,462	0,474
	Gentil	17.648	0,779	0,175
	Genre ++	17.752	0,760	0.198
	Tbefn	17.351	0,786	0,210
	Reflex numérique	15.050	0,597	0,337
	Lau-net	21.513	0,805	0,273
Semi-surveillé	Dbn	15.125	0,472	0,316
Sans surveillance	Éclairer	17.483	0,677	0,322
Zéro	Excnet	15.783	0,515	0,373
	Zéro-DCE	14.861	0,589	0,335
	Rrdnet	11.392	0,468	0,361
	Proposé (CDAN)	20.102	0,816	0,167

Évaluation qualitative

Figure 2: Comparaison visuelle des modèles de pointe sur un ensemble de données Exdark.

Figure 3: Comparaison visuelle des modèles de pointe sur l'ensemble de données DICM.

Installation

Pour commencer le projet CDAN, suivez ces étapes:

1. Clone le référentiel

Vous pouvez cloner le référentiel à l'aide de Git. Ouvrez votre terminal et exécutez la commande suivante:

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

2. Configurer les variables environnementales

Après le clonage, accédez au répertoire du projet et localisez le fichier .env. Ce fichier contient d'importantes valeurs et configurations d'hyperparamètre pour le modèle CDAN. Vous pouvez personnaliser ces variables en fonction de vos exigences.

Ouvrez le fichier .env à l'aide d'un éditeur de texte de votre choix et modifiez les valeurs selon les besoins:

 # 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. Installez les dépendances

Vous pouvez installer des dépendances du projet à l'aide de PIP:

pip install -r requirements.txt

4. Exécutez le projet

Vous êtes maintenant prêt à exécuter le projet CDAN. Pour démarrer la formation, utilisez la commande suivante:

python train.py

Pour tester le modèle formé, exécutez:

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

Exigences

Le matériel et les logiciels suivants ont été utilisés pour la formation du modèle:

• GPU: Nvidia Geforce RTX 3090
• RAM: 24 Go de SSD
• Système d'exploitation: Ubuntu 22.04.2 LTS
• Version Python: 3.9.15
• Version Pytorch: 2.0.1
• Pytorch Cuda Version: 11.7

Citation

 @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 } ,
}