特征空间中的多尺度去噪用于低光照实例分割
计算机视觉与模式识别
2025-04-11 v3
摘要
低光照图像的实例分割由于此类条件带来的挑战（例如光子计数低导致的散粒噪声、颜色失真和对比度降低）而仍未得到充分探索。本文提出了一种端到端的解决方案来应对这一挑战性任务。我们的方法在特征提取器中实现了加权非局部块（wNLB）。这种集成使得在特征层面能够进行固有的去噪过程。因此，我们的方法在训练期间无需对齐的真实图像，从而支持在真实低光照数据集上进行训练。我们在每一层引入额外的可学习权重，以增强网络对真实噪声特性的适应性，这些噪声特性以不同方式影响不同的特征尺度。在多个目标检测器上的实验结果表明，所提出的方法优于预训练网络，平均精度（AP）至少提升+7.6，而引入wNLB进一步将AP提升高达+1.3。
引用
@article{arxiv.2402.18307,
title = {Multi-Scale Denoising in the Feature Space for Low-Light Instance Segmentation},
author = {Joanne Lin and Nantheera Anantrasirichai and David Bull},
journal= {arXiv preprint arXiv:2402.18307},
year = {2025}
}
备注
Accepted by ICASSP 2025