基于跨注意力的低光图像增强 ECAFormer
计算机视觉与模式识别
2024-12-24 v3
摘要
低光图像增强 (LLIE) 是计算机视觉中的关键问题。现有 LLIE 方法常常未能发现不同子组件之间的潜在关系，导致多个模块和网络层之间信息的互补性丢失，最终导致图像细节的丢失。为克服这一不足，我们设计了一种基于跨注意力 transformer 的层次化互增架构 (ECAFormer)，该架构实现了多特征的并行传播和相互作用。该模型通过引入双重多头自注意力 (DMSA) 来保留详细信息，DMSA 利用不同尺度上的视觉和语义特征，使其相互指导和互补。此外，引入跨尺度 DMSA 模块以捕获残差连接，集成跨层信息以进一步增强图像细节。实验结果表明，ECAFormer 在多个基准测试中性能竞争，PSNR 相对于次优方法提升约 3%，显示示信息相互作用在 LLIE 中的有效性。
关键词
引用
@article{arxiv.2406.13281,
title = {ECAFormer: Low-light Image Enhancement using Cross Attention},
author = {Yudi Ruan and Hao Ma and Weikai Li and Xiao Wang},
journal= {arXiv preprint arXiv:2406.13281},
year = {2024}
}