KAN See In the Dark

要約

既存の低光画像強化方法は、不均一な照明と騒音効果のために、通常と低光の画像の間の複雑な非線形関係に適合するのが困難です。
最近提案されたKolmogorov-Arnold Networks（KANS）は、非線形依存関係を効果的にキャプチャできるスプラインベースの畳み込み層と学習可能な活性化関数を特徴としています。
この論文では、Kansに基づいてKan-Blockを設計し、それを革新的に低光の画像強化に適用します。
この方法は、線形ネットワーク構造と解釈可能性の欠如によって制約されている現在の方法の制限を効果的に軽減し、低レベルの視覚タスクにおけるKANの可能性をさらに実証します。
現在の低光光画像強化方法の認識が不十分であり、逆拡散プロセスの確率的性質を考えると、視覚指向の強化のための周波数領域の知覚をさらに導入します。
広範な実験は、ベンチマークデータセットでの方法の競争力のあるパフォーマンスを示しています。
コードは、https：//github.com/axning/ksid} {https://github.com/axning/ksidで入手できます。

要約(オリジナル)

Existing low-light image enhancement methods are difficult to fit the complex nonlinear relationship between normal and low-light images due to uneven illumination and noise effects. The recently proposed Kolmogorov-Arnold networks (KANs) feature spline-based convolutional layers and learnable activation functions, which can effectively capture nonlinear dependencies. In this paper, we design a KAN-Block based on KANs and innovatively apply it to low-light image enhancement. This method effectively alleviates the limitations of current methods constrained by linear network structures and lack of interpretability, further demonstrating the potential of KANs in low-level vision tasks. Given the poor perception of current low-light image enhancement methods and the stochastic nature of the inverse diffusion process, we further introduce frequency-domain perception for visually oriented enhancement. Extensive experiments demonstrate the competitive performance of our method on benchmark datasets. The code will be available at: https://github.com/AXNing/KSID}{https://github.com/AXNing/KSID.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google