LTCF-Net：基于 Transformer 增强的双通道傅里叶低光图像修复框架
计算机视觉与模式识别
2024-11-26 v1 人工智能
摘要
我们提出了 LTCF-Net，这是一种用于提升低光图像的新型网络架构。不同于基于 Retinex 的方法，本研究利用 LAB 色彩空间和 YUV 色彩空间，高效地分离和处理色彩信息，借助色彩图像中亮度与色度成分分离的特性。在此基础上，模型引入 Transformer 架构，以综合理解图像内容同时保持计算效率。为动态平衡输出图像的亮度，我们还引入了傅里叶变换模块，对亮度通道在频域进行调整。该机制能够在不同图像区域实现均匀的亮度平衡，同时消除背景噪声，从而提升视觉质量。通过整合这些创新组件，LTCF-Net 能够在保持模型轻量化的同时，有效提升低光图像质量。实验结果表明，我们的方法在多个评估指标和数据集上超越当前最先进的方法，实现了更自然的色彩恢复和更均衡的亮度分布。
关键词
引用
@article{arxiv.2411.15740,
title = {LTCF-Net: A Transformer-Enhanced Dual-Channel Fourier Framework for Low-Light Image Restoration},
author = {Gaojing Zhang and Jinglun Feng},
journal= {arXiv preprint arXiv:2411.15740},
year = {2024}
}