科研之友
微信
新浪微博
Facebook
分享链接
摘要
现有的基于学习的弱光图像增强方法中，大多数是以成对的数据训练模型，虽然它们取得了很好的效果，但在没有成对训练集的情况下就失去了原本的优势，而且在实际中，在同一个场景几乎不可能获取同一个视角的两种不同亮度的图像，从而无法完全以成对数据训练模型。因此，为避免使用成对数据，使模型域自适应能力更强，本文基于生成对抗网络提出了一种无监督的自我正则映射的弱光图像增强方法(称之为SAMGAN)。该方法不仅利用原始图像的照明信息作为自我正则映射和灰度图实现对其增强，同时使用特征自我保留损失方法保留原始图像的特征和内容。它不仅可以在没有弱光/正常亮度图像对的情况下训练，还可以很好地推广到各种实际的测试集中。大量实验证明，本文方法在图像视觉质量和客观指标上都优于现行很多的方法。
- 单位
