CDAN下载 - CDAN源代码下载

CDAN

其他源码

1.0.0

下载

CDAN：低光图像增强的卷积密集的注意引导网络

Hossein Shakibania，Sina Raoufi和Hassan Khotanlou

摘要：低光图像，其特征是照明不足，呈现出明确的挑战，柔和的颜色和减少的细节。低光图像增强，是计算机视觉中的重要任务，旨在通过改善亮度，对比度和整体感知质量来纠正这些问题，从而促进准确的分析和解释。本文介绍了卷积密集的注意引导网络（CDAN），这是一种用于增强弱光图像的新颖解决方案。 CDAN与卷积和致密块集成了基于自动编码器的体系结构，并以注意机制和跳过连接进行补充。该体系结构确保有效的信息传播和特征学习。此外，专门的后处理阶段可以完善色彩平衡和对比度。与最先进的方法相比，我们的方法表现出显着的进步，从而导致了低光的图像增强，从而展示了其在各种具有挑战性的场景中的稳健性。我们的模型在基准数据集上表现出色，可有效缓解暴露不足，并在各种弱光方案中熟练恢复纹理和颜色。这项成就强调了CDAN在各种计算机视觉任务中的潜力，特别是在挑战性的低光条件下实现了强大的对象检测和识别。

图1：所提出模型的整体结构。

实验结果

在本节中，我们介绍了通过使用低光（LOL）数据集训练CDAN模型获得的实验结果，并评估其在多个基准数据集上的性能。该评估的目的是评估我们模型在各种挑战的照明条件下的鲁棒性。

数据集

数据集	图像数	配对	特征
哈哈	500	✅	室内的
埃克斯	7363		极黑，室内，室外
DICM	69		室内，室外
VV	24		严重曝光/过度曝光的地区

定量评估

学习方法	方法	avg。 PSNR↑	avg。 SSIM↑	avg。 LPIP↓
监督	llnet	17.959	0.713	0.360
	Lightennet	10.301	0.402	0.394
	mbllen	17.902	0.715	0.247
	Etinex-net	16.774	0.462	0.474
	种类	17.648	0.779	0.175
	KINT ++	17.752	0.760	0.198
	tbefn	17.351	0.786	0.210
	DSLR	15.050	0.597	0.337
	刘网	21.513	0.805	0.273
半监督	Drbn	15.125	0.472	0.316
无监督	Engightengan	17.483	0.677	0.322
零射	excnet	15.783	0.515	0.373
	零-DCE	14.861	0.589	0.335
	rrdnet	11.392	0.468	0.361
	提议（CDAN）	20.102	0.816	0.167

定性评估

图2：埃克萨克数据集上最新模型的视觉比较。

图3： DICM数据集上最新模型的视觉比较。

安装

要开始进行CDAN项目，请执行以下步骤：

1。克隆存储库

您可以使用git克隆存储库。打开终端并运行以下命令：

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

2。配置环境变量

克隆后，导航到项目目录并找到.ENV文件。该文件包含重要的超参数值和CDAN模型的配置。您可以根据自己的要求自定义这些变量。

使用您选择的文本编辑器打开.env文件，并根据需要修改值：

 # 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。安装依赖项

您可以使用PIP安装项目依赖项：

pip install -r requirements.txt

4。运行该项目

您现在准备运行CDAN项目。要开始培训，请使用以下命令：

python train.py

要测试训练有素的模型，请运行：

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

要求

以下硬件和软件用于训练该模型：

GPU：NVIDIA GEFORCE RTX 3090
RAM：24 GB SSD
操作系统：Ubuntu 22.04.2 LTS
Python版本：3.9.15
Pytorch版本：2.0.1
Pytorch CUDA版本：11.7

引用

 @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 } ,
}