DPFNet: A Dual-branch Dilated Network with Phase-aware Fourier Convolution for Low-light Image Enhancement

要約

低照度画像強調は、低照度画像から通常の露出画像を復元することを目的とした、古典的なコンピューター ビジョンの問題です。
ただし、この分野で一般的に使用される畳み込みニューラル ネットワークは、空間領域で低周波の局所構造特徴をサンプリングするのに適しているため、再構成された画像のテクスチャの詳細が不明確になります。
この問題を軽減するために、フーリエ係数を使用した新しいモジュールを提案します。これは、周波数フェーズのセマンティクスの制約の下で高品質のテクスチャの詳細を回復し、空間ドメインを補完できます。
さらに、頻繁なダウンサンプリングによって引き起こされる詳細の損失を軽減するために、さまざまな受容野を持つ膨張畳み込みを使用して、画像空間ドメインのシンプルで効率的なモジュールを設計します。
上記の部分をエンドツーエンドのデュアルブランチネットワークに統合し、新しい損失委員会と適応融合モジュールを設計して、ネットワークが空間ドメインと周波数ドメインの機能を柔軟に組み合わせてより快適な視覚効果を生成するようにします。
最後に、公開ベンチマークで提案されたネットワークを評価します。
広範な実験結果は、私たちの方法が多くの既存の最先端のものよりも優れていることを示しており、優れた性能と可能性を示しています。

要約(オリジナル)

Low-light image enhancement is a classical computer vision problem aiming to recover normal-exposure images from low-light images. However, convolutional neural networks commonly used in this field are good at sampling low-frequency local structural features in the spatial domain, which leads to unclear texture details of the reconstructed images. To alleviate this problem, we propose a novel module using the Fourier coefficients, which can recover high-quality texture details under the constraint of semantics in the frequency phase and supplement the spatial domain. In addition, we design a simple and efficient module for the image spatial domain using dilated convolutions with different receptive fields to alleviate the loss of detail caused by frequent downsampling. We integrate the above parts into an end-to-end dual branch network and design a novel loss committee and an adaptive fusion module to guide the network to flexibly combine spatial and frequency domain features to generate more pleasing visual effects. Finally, we evaluate the proposed network on public benchmarks. Extensive experimental results show that our method outperforms many existing state-of-the-art ones, showing outstanding performance and potential.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google