DPFNet：一种用于低光照图像增强的带相位感知傅里叶卷积的双分支扩张网络
计算机视觉与模式识别
2022-09-19 v1 图像与视频处理
摘要
低光照图像增强是一个经典的计算机视觉问题，旨在从低光照图像中恢复正常曝光图像。然而，该领域常用的卷积神经网络善于在空间域中采样低频局部结构特征，这导致重建图像的纹理细节不清晰。为缓解该问题，我们提出了一种利用傅里叶系数的新模块，该模块可在频率相位语义约束下恢复高质量纹理细节并补充空间域。此外，我们利用具有不同感受野的扩张卷积为图像空间域设计了一个简单高效的模块，以缓解频繁下采样造成的细节丢失。我们将上述部分集成到一个端到端双分支网络中，并设计了一种新颖的损失委员会和自适应融合模块，以引导网络灵活结合空间与频域特征，生成更具视觉愉悦感的效果。最后，我们在公开基准上评估了所提网络。大量实验结果表明，我们的方法优于许多现有的 SOTA 方法，展现出卓越的性能与潜力。
引用
@article{arxiv.2209.07937,
title = {DPFNet: A Dual-branch Dilated Network with Phase-aware Fourier Convolution for Low-light Image Enhancement},
author = {Yunliang Zhuang and Zhuoran Zheng and Chen Lyu},
journal= {arXiv preprint arXiv:2209.07937},
year = {2022}
}