基于全局-局部生成对抗学习的无监督弱光图像增强

作者：孙子正; 宋慧慧^*; 樊佳庆; **山

来源：计算机辅助设计与图形学学报, 2022, 34(10): 1550-1558.

• 生成对抗网络
• 弱光图像增强
• 无监督学习
• 焦点频域损失

在弱光图像增强中,现有的无监督方法仍存在着真实性不足以及对于极暗条件的图像增强效果不明显等问题.为此,提出了一种无监督的弱光图像增强方法,通过设计一种高效循环生成对抗网络,直接从弱光图像中恢复出正常光照图像.首先,为解决大尺寸输入导致的内存不足的问题,设计了全局-局部生成器;其次,判别器设计为自适应二阶段分类器,通过判别全局区域来自适应定位需再次判别的局部区域;最后,采用了焦点频域损失函数,使模型自适应地聚焦于分类难以合成的频率波段,以避免生成图像失真.文中方法在NPE, LIME, MEF, DICM和VV数据集上的感知指标(perceptual index, PI)分别达到了2.81, 2.78, 2.40, 3.15和3.69,在LOL数据集上PSNR和SSIM指标分别达到了19.89 dB和0.782 3,具有良好的鲁棒性.

• 单位
  南京信息工程大学