MixNet: Towards Effective and Efficient UHD Low-Light Image Enhancement

要約

イメージング デバイスの継続的な進歩に伴い、超高解像度 (UHD) 画像の普及率が高まっています。
多くの画像復元方法が有望な結果を達成していますが、UHD 画像は本質的に計算の複雑さが高いため、計算リソースが限られたデバイス上の UHD 画像には直接適用できません。
この論文では、低照度画像強調 (LLIE) のタスクに焦点を当て、UHD 画像用に明示的に設計された MixNet と呼ばれる新しい LLIE 手法を提案します。
過度の計算の複雑さを導入することなく、特徴の長期依存関係を捉えるために、グローバル特徴変調層 (GFML) を紹介します。
GFML は、特徴マップを並べ替えることによってさまざまなビューの特徴を関連付け、長距離依存関係の効率的なモデリングを可能にします。
さらに、局所特徴を捕捉し、特徴をコンパクトな表現に変換するために、局所特徴変調層 (LFML) とフィードフォワード層 (FFL) も設計します。
このようにして、MixNet は、少ないモデル パラメーターと低い計算複雑さで効果的な LLIE を実現します。
私たちは合成データセットと現実世界のデータセットの両方で広範な実験を実施し、その総合的な結果は、私たちが提案した方法が現在の最先端の方法のパフォーマンスを上回っていることを示しています。
コードは \url{https://github.com/zzr-idam/MixNet} で入手できます。

要約(オリジナル)

With the continuous advancement of imaging devices, the prevalence of Ultra-High-Definition (UHD) images is rising. Although many image restoration methods have achieved promising results, they are not directly applicable to UHD images on devices with limited computational resources due to the inherently high computational complexity of UHD images. In this paper, we focus on the task of low-light image enhancement (LLIE) and propose a novel LLIE method called MixNet, which is designed explicitly for UHD images. To capture the long-range dependency of features without introducing excessive computational complexity, we present the Global Feature Modulation Layer (GFML). GFML associates features from different views by permuting the feature maps, enabling efficient modeling of long-range dependency. In addition, we also design the Local Feature Modulation Layer (LFML) and Feed-forward Layer (FFL) to capture local features and transform features into a compact representation. This way, our MixNet achieves effective LLIE with few model parameters and low computational complexity. We conducted extensive experiments on both synthetic and real-world datasets, and the comprehensive results demonstrate that our proposed method surpasses the performance of current state-of-the-art methods. The code will be available at \url{https://github.com/zzr-idam/MixNet}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google