หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

CDAN: เครือข่ายนำทางความสนใจอย่างหนาแน่นสำหรับการปรับปรุงภาพที่มีแสงน้อย

Hossein Shakibania, Sina Raoufi และ Hassan Khotanlou

บทคัดย่อ: ภาพที่มีแสงน้อยโดดเด่นด้วยการส่องสว่างไม่เพียงพอความท้าทายของความชัดเจนที่ลดลงสีที่ไม่ลงรอยกันและรายละเอียดที่ลดลง การเพิ่มประสิทธิภาพของภาพที่มีแสงน้อยเป็นงานที่สำคัญในการมองเห็นคอมพิวเตอร์มีจุดมุ่งหมายเพื่อแก้ไขปัญหาเหล่านี้โดยการปรับปรุงความสว่างความคมชัดและคุณภาพการรับรู้โดยรวมซึ่งช่วยให้การวิเคราะห์และการตีความที่แม่นยำ บทความนี้นำเสนอเครือข่ายที่ให้ความสนใจกับความสนใจ (CDAN) ซึ่งเป็นโซลูชั่นใหม่สำหรับการเพิ่มภาพที่มีแสงน้อย CDAN รวมสถาปัตยกรรมที่ใช้อัตโนมัติกับบล็อก convolutional และหนาแน่นซึ่งเสริมด้วยกลไกความสนใจและการเชื่อมต่อข้าม สถาปัตยกรรมนี้ช่วยให้มั่นใจได้ว่าการเผยแพร่ข้อมูลที่มีประสิทธิภาพและการเรียนรู้คุณสมบัติ นอกจากนี้เฟสหลังการประมวลผลโดยเฉพาะจะปรับสมดุลสีและความคมชัด วิธีการของเราแสดงให้เห็นถึงความก้าวหน้าที่น่าทึ่งเมื่อเทียบกับผลลัพธ์ที่ล้ำสมัยในการปรับปรุงภาพที่มีแสงน้อยแสดงให้เห็นถึงความแข็งแกร่งในสถานการณ์ที่ท้าทายหลากหลาย โมเดลของเราดำเนินการอย่างน่าทึ่งในชุดข้อมูลมาตรฐานช่วยลดการสัมผัสได้อย่างมีประสิทธิภาพและการฟื้นฟูพื้นผิวและสีที่มีความเชี่ยวชาญในสถานการณ์ที่มีแสงน้อยที่หลากหลาย ความสำเร็จนี้ตอกย้ำศักยภาพของ CDAN สำหรับงานวิสัยทัศน์คอมพิวเตอร์ที่หลากหลายโดยเฉพาะอย่างยิ่งทำให้การตรวจจับวัตถุที่แข็งแกร่งและการรับรู้ในการท้าทายสภาพแสงน้อย

รูปที่ 1: โครงสร้างโดยรวมของแบบจำลองที่เสนอ

ผลการทดลอง

ในส่วนนี้เรานำเสนอผลการทดลองที่ได้จากการฝึกอบรมโมเดล CDAN ของเราโดยใช้ชุดข้อมูลแสงต่ำ (LOL) และประเมินประสิทธิภาพของมันในชุดข้อมูลมาตรฐานหลายชุด จุดประสงค์ของการประเมินนี้คือการประเมินความทนทานของแบบจำลองของเราในช่วงเวลาของสภาพแสงที่ท้าทาย

ชุดข้อมูล

ชุดข้อมูล จำนวนภาพ จับคู่ ลักษณะเฉพาะ
ฮ่าๆ 500 ในร่ม
exdark 7363 มืดมากในร่มกลางแจ้ง
dicm 69 ในร่มกลางแจ้ง
VV 24 ภายใต้/พื้นที่มากเกินไป

การประเมินเชิงปริมาณ

วิธีการเรียนรู้ วิธี avg. psnr ↑ avg. SSIM ↑ avg. LPIPS ↓
ดูแล llnet 17.959 0.713 0.360
Lightennet 10.301 0.402 0.394
mbllen 17.902 0.715 0.247
รีดติเน็กซ์-เน็ต 16.774 0.462 0.474
ใจดี 17.648 0.779 0.175
ชนิด ++ 17.752 0.760 0.198
tbefn 17.351 0.786 0.210
DSLR 15.050 0.597 0.337
เลาเน็ต 21.513 0.805 0.273
กึ่งอุณหภูมิ DRBN 15.125 0.472 0.316
ไม่ได้รับอนุญาต ผู้ให้ความรู้ 17.483 0.677 0.322
เป็นศูนย์ excnet 15.783 0.515 0.373
ศูนย์ 14.861 0.589 0.335
rrdnet 11.392 0.468 0.361
เสนอ (CDAN) 20.102 0.816 0.167

การประเมินคุณภาพ

รูปที่ 2: การเปรียบเทียบภาพของโมเดลที่ทันสมัยบนชุดข้อมูล exdark

รูปที่ 3: การเปรียบเทียบภาพของโมเดลที่ทันสมัยบนชุดข้อมูล DICM

การติดตั้ง

ในการเริ่มต้นกับโครงการ CDAN ให้ทำตามขั้นตอนเหล่านี้:

1. โคลนที่เก็บ

คุณสามารถโคลนที่เก็บโดยใช้ Git เปิดเทอร์มินัลของคุณและเรียกใช้คำสั่งต่อไปนี้: 

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

2. กำหนดค่าตัวแปรสภาพแวดล้อม

หลังจากโคลนนิ่งนำทางไปยังไดเรกทอรีโครงการและค้นหาไฟล์. ENV ไฟล์นี้มีค่าไฮเปอร์พารามิเตอร์ที่สำคัญและการกำหนดค่าสำหรับรุ่น CDAN คุณสามารถปรับแต่งตัวแปรเหล่านี้ตามความต้องการของคุณ

เปิดไฟล์. ENV โดยใช้ตัวแก้ไขข้อความที่คุณเลือกและแก้ไขค่าตามต้องการ: 

 # 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. ติดตั้งการพึ่งพา

คุณสามารถติดตั้งการพึ่งพาโครงการโดยใช้ PIP: 

pip install -r requirements.txt

4. เรียกใช้โครงการ

ตอนนี้คุณพร้อมที่จะเรียกใช้โครงการ CDAN ในการเริ่มต้นการฝึกอบรมให้ใช้คำสั่งต่อไปนี้: 

python train.py

เพื่อทดสอบโมเดลที่ผ่านการฝึกอบรมเรียกใช้: 

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

ความต้องการ

ฮาร์ดแวร์และซอฟต์แวร์ต่อไปนี้ใช้สำหรับการฝึกอบรมรุ่น:

  • GPU: Nvidia GeForce RTX 3090
  • RAM: SSD 24 GB
  • ระบบปฏิบัติการ: Ubuntu 22.04.2 LTS
  • รุ่น Python: 3.9.15
  • Pytorch เวอร์ชัน: 2.0.1
  • Pytorch Cuda เวอร์ชัน: 11.7

การอ้างอิง 

 @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 } ,
}
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด