CN113313657B 一种用于低光照图像增强的非监督学习方法和系统 （北京航空航天大学杭州创新研究院）

院WO2008149363A2,2008.1一种用于低光照图像增强的非监督学习方本发明公开了一种用于低光照图像增强的像的亮度和语义信息构建生成对抗网络的生成训练后的生成对抗网络对待处理的低光照图像输入图像的亮度和语义分割信息来正则化不成2在每个下采样阶段，采用两个卷积层对特征进行提转换模块进行空间特征转换，然后采用最大池化层对空间特征转换后的特征图进行下采其中V代表输入图像的灰度图，通过将输入的RGB三通道图像转化为一通道的灰度图，在每个上采样阶段，首先通过两个卷积层对输入特所述空间特征转换模利用提前获取的低光照图像的语义分在空间特征转换时，空间特征转换模块以调制参数a数a与空间特征转换模块的输入特征相乘后与b相加，得到最终的空间特征调制模块的输所述的条件转换模块是一个包含5个卷积层的全卷积网络，条件转换模块生成32通道所述的两个独立的调制模块的结构相同，都包含一个后接LeakyReLU的卷积层和一个35.根据权利要求1所述的用于低光照图像增强的非监督学习方法，其特征在于所述的全局判别器是由7个卷积层组成的全卷积网络，以生成器输出的增强图像和正常光照局部判别器由6个卷积层组成的全卷积网络，以生成器输出的增强图像和正常光照图6.根据权利要求1所述的用于低光照图像增强的非监督学习方法，其特征在于所述生分别是上述损失函数的权重；real为真实自然光图像数据分布，Pfake为47.一种用于低光照图像增强的非监督学习系统，其行所述计算机程序时实现如权利要求1‑6任一项所述的用于低光照图像增强的非监督学习5频/图像的增强处理是充分实现视频监控系统效力最大化的关键，也是在夜间应用基于计优参考图像和如何保证模型不过度依赖监督训练集的两大问题，这导致该方法泛化能力DeepLightEnhancementwithoutPairedSupervision》设计的Enlightengan方法提出在过度曝光问题。《Zero‑ReferenceDeepCurveEstimationforLow‑LightImage6[0007]本发明首先提供了一种用于低光照图像增强的非监督学习方法，其包括如下步[0016]进一步的，所述空间特征转换模利用提前获取的低光照图像的[0017]在空间特征转换时，空间特征转换模块以调制参数a和b作为空块生成32通道的条件特征图；所述的两个独立的调制模块的结构相同，都包含一个后接7[0024]全局判别器是由7个卷积层组成的全卷积网络，以生成器输出的增强图像和正常[0025]局部判别器由6个卷积层组成的全卷积网络，以生成器输出的增强图像和正常光[0033]在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本[0036]1)构建非配对样本的训练集，分为低光照图像和正常光照图像Inormat两部8块中的最大池化层之前和每个上采样模块中的双线性上采样之前都进行了空间特征变换。9La是生成器全局对抗损失和局部对抗损失；ic代表内容损失；、和lo分别代表全局对抗损失和局部对抗损失，B,和分别为相应成器指定隐藏层输出的特征图相乘（具体位置参见图1以引导网络增加对暗区域图像块[0069]本发明以分割网络获得的语义分割信息作为先验条件，提出空参见图1实现具有丰富语义区域的明亮图像的重建。本发明首先利用提前获取的低光照利用本发明中的可学习的亮度自正则注意力图和空间特征转换模块得到亮度注意力图和NIQE指标,从结果可以看出，本发明提出的模型在所有数据集上的指标均优于其他几种先NPE[0079