DLEN: Dual Branch of Transformer for Low-Light Image Enhancement in Dual Domains

要約

低照度画像強調 (LLE) は、低輝度、低コントラスト、ノイズ、色の歪みが発生することが多い、照明が不十分な条件で撮影された画像の視覚品質を向上させることを目的としています。
これらの問題は、物体検出、顔認識、自動運転などのコンピューター ビジョン タスクのパフォーマンスを妨げます。マルチスケール フュージョンやヒストグラム イコライゼーションなどの従来の拡張技術では、微細な詳細を保持できず、拡張された画像の自然な外観を維持するのに苦労することがよくあります。
複雑な照明条件下での画像。
Retinex 理論は画像分解の基礎を提供しますが、多くの場合、ノイズが増幅され、画質が最適化されません。
この論文では、空間領域と周波数領域の両方を考慮して、2 つの異なる注意メカニズムを組み込んだ新しいアーキテクチャである Dual Light Enhance Network (DLEN) を提案します。
私たちのモデルは、照明推定段階で学習可能なウェーブレット変換モジュールを導入し、高周波成分と低周波成分を保持してエッジとテクスチャの詳細を強化します。
さらに、Transformer アーキテクチャの力を活用して画像の照明と構造コンポーネントの両方を強化するデュアル ブランチ構造を設計しています。広範な実験を通じて、私たちのモデルは標準ベンチマークで最先端の手法を上回っています。コードは
ここから入手可能: https://github.com/LaLaLoXX/DLEN

要約(オリジナル)

Low-light image enhancement (LLE) aims to improve the visual quality of images captured in poorly lit conditions, which often suffer from low brightness, low contrast, noise, and color distortions. These issues hinder the performance of computer vision tasks such as object detection, facial recognition, and autonomous driving.Traditional enhancement techniques, such as multi-scale fusion and histogram equalization, fail to preserve fine details and often struggle with maintaining the natural appearance of enhanced images under complex lighting conditions. Although the Retinex theory provides a foundation for image decomposition, it often amplifies noise, leading to suboptimal image quality. In this paper, we propose the Dual Light Enhance Network (DLEN), a novel architecture that incorporates two distinct attention mechanisms, considering both spatial and frequency domains. Our model introduces a learnable wavelet transform module in the illumination estimation phase, preserving high- and low-frequency components to enhance edge and texture details. Additionally, we design a dual-branch structure that leverages the power of the Transformer architecture to enhance both the illumination and structural components of the image.Through extensive experiments, our model outperforms state-of-the-art methods on standard benchmarks.Code is available here: https://github.com/LaLaLoXX/DLEN

arxiv情報

提供元, 利用サービス

arxiv.jp, Google