DeepFusionNet：基于自编码器的低光图像增强与超分辨率
计算机视觉与模式识别
2025-10-14 v1 人工智能
摘要
计算机视觉和图像处理应用受到暗淡和低光图像的制约，尤其是在实时图像传输期间。目前，低光和暗图像被转换为亮且彩色的图像，但这些方法往往实现较低的 SSIM 和 PSNR 分数，并且由于参数数量大，需要高的计算资源。为解决这些挑战，开发了 DeepFusionNet 架构。根据在 LOL-v1 数据集上获得的结果，DeepFusionNet 实现了 92.8% 的 SSIM 和 26.30 的 PSNR 分数，同时仅包含约 250 万个参数。另一方面，将模糊和低分辨率图像转换为高分辨率和无模糊的图像的转换在图像处理应用中日益受到重视。与基于生成对抗网络的超分辨率方法不同，开发了一个包含约 10 万个参数并使用 DeepFusionNet 架构的自编码器-based 超分辨率模型。根据测试结果，基于 DeepFusionNet 的超分辨率方法在验证集上的 PSNR 为 25.30，SSIM 分数为 80.7%。
引用
@article{arxiv.2510.10122,
title = {DeepFusionNet: Autoencoder-Based Low-Light Image Enhancement and Super-Resolution},
author = {Halil Hüseyin Çalışkan and Talha Koruk},
journal= {arXiv preprint arXiv:2510.10122},
year = {2025}
}
备注
12 pages, 11 figures