CDAN

CDA: jaringan yang dipandu perhatian padat konvolusional untuk peningkatan gambar cahaya rendah

Hossein Shakibania, Sina Raoufi, dan Hassan Khotanlou

Abstrak: Gambar rendah cahaya, ditandai dengan iluminasi yang tidak memadai, pose tantangan dari kejelasan yang berkurang, warna yang diredam, dan detail yang dikurangi. Peningkatan gambar cahaya rendah, tugas penting dalam visi komputer, bertujuan untuk memperbaiki masalah ini dengan meningkatkan kecerahan, kontras, dan kualitas persepsi secara keseluruhan, sehingga memfasilitasi analisis dan interpretasi yang akurat. Makalah ini memperkenalkan jaringan yang dipandu perhatian padat (CDA), solusi baru untuk meningkatkan gambar cahaya rendah. CDAN mengintegrasikan arsitektur berbasis autoencoder dengan blok konvolusional dan padat, dilengkapi dengan mekanisme perhatian dan melewatkan koneksi. Arsitektur ini memastikan perambatan informasi yang efisien dan pembelajaran fitur. Selain itu, fase pasca pemrosesan khusus menyempurnakan keseimbangan warna dan kontras. Pendekatan kami menunjukkan kemajuan penting dibandingkan dengan hasil canggih dalam peningkatan gambar cahaya rendah, menampilkan ketahanannya di berbagai skenario yang menantang. Model kami berkinerja luar biasa pada dataset benchmark, secara efektif memitigasi paparan yang kurang dan dengan mahir memulihkan tekstur dan warna dalam skenario cahaya rendah yang beragam. Pencapaian ini menggarisbawahi potensi CDAN untuk beragam tugas visi komputer, terutama memungkinkan deteksi dan pengakuan objek yang kuat dalam kondisi rendah yang menantang.

Gambar 1: Struktur keseluruhan model yang diusulkan.

Hasil eksperimen

Pada bagian ini, kami menyajikan hasil eksperimen yang diperoleh dengan melatih model CDAN kami menggunakan dataset rendah-cahaya (LOL) dan mengevaluasi kinerjanya pada beberapa dataset benchmark. Tujuan dari evaluasi ini adalah untuk menilai kekokohan model kami di seluruh spektrum kondisi pencahayaan yang menantang.

Kumpulan data

Dataset	Jumlah gambar	Berpasangan	Karakteristik
TERTAWA TERBAHAK-BAHAK	500	✅	Dalam
Exdark	7363		Sangat gelap, indoor, outdoor
DICM	69		Indoor, luar ruangan
Vv	24		Sangat di bawah/area yang dieksploitasi

Evaluasi Kuantitatif

Metode pembelajaran	Metode	Rata -rata. Psnr ↑	Rata -rata. SSIM ↑	Rata -rata. LPIPS ↓
Diawasi	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
	Baik	17.648	0.779	0.175
	Jenis ++	17.752	0.760	0.198
	Tbefn	17.351	0.786	0.210
	Dslr	15.050	0,597	0.337
	Lau-net	21.513	0.805	0.273
Semi-diawasi	Drbn	15.125	0.472	0.316
Tanpa pengawasan	Pencahayaan	17.483	0.677	0.322
Zero-shot	Excnet	15.783	0,515	0.373
	Zero-DCE	14.861	0,589	0.335
	Rrdnet	11.392	0.468	0.361
	Diusulkan (CDA)	20.102	0.816	0.167

Evaluasi Kualitatif

Gambar 2: Perbandingan visual model canggih pada dataset Exdark.

Gambar 3: Perbandingan visual model canggih pada dataset DICM.

Instalasi

Untuk memulai dengan proyek CDA, ikuti langkah -langkah ini:

1. Kloning repositori

Anda dapat mengkloning repositori menggunakan git. Buka terminal Anda dan jalankan perintah berikut:

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

2. Konfigurasikan variabel lingkungan

Setelah kloning, arahkan ke direktori proyek dan cari file .env. File ini berisi nilai dan konfigurasi hiperparameter penting untuk model CDAN. Anda dapat menyesuaikan variabel -variabel ini sesuai dengan kebutuhan Anda.

Buka file .env menggunakan editor teks pilihan Anda dan memodifikasi nilai yang diperlukan:

 # 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. Pasang dependensi

Anda dapat menginstal dependensi proyek menggunakan PIP:

pip install -r requirements.txt

4. Jalankan proyek

Anda sekarang siap menjalankan proyek CDAN. Untuk memulai pelatihan, gunakan perintah berikut:

python train.py

Untuk menguji model yang terlatih, jalankan:

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

Persyaratan

Perangkat keras dan perangkat lunak berikut digunakan untuk melatih model:

• GPU: Nvidia GeForce RTX 3090
• RAM: 24 GB SSD
• Sistem Operasi: Ubuntu 22.04.2 LTS
• Versi Python: 3.9.15
• Versi PyTorch: 2.0.1
• Pytorch Cuda Versi: 11.7

Kutipan

 @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 } ,
}