黑暗中的文本：极端低光文本图像增强
计算机视觉与模式识别
2024-04-23 v1
摘要
极端低光文本图像在自然场景中常见，使得场景文本检测和识别变得具有挑战性。一种解决方案是在文本提取之前使用低光图像增强方法对这些图像进行增强。然而，之前的方法往往未特别关注低层次特征的重要性，而这些特征对于在下游场景文本任务中获得最佳性能至关重要。进一步的研究也受限于缺乏极端低光文本数据集。为此，我们提出了一种具有边缘感知注意力模块的新型编码器-解码框架，以在增强过程中聚焦于场景文本区域。我们的方法使用新的文本检测和边缘重建损失来强调低层次场景文本特征，从而实现成功的文本提取。此外，我们提出了一个受监督的深度曲线估计（Supervised-DCE）模型，用于基于公开的场景文本数据集（如 ICDAR15）合成极端低光图像。我们还在极端低光 See In the Dark（SID）和普通 LOw-Light（LOL）数据集上标注文本，以便通过场景文本任务对极端低光图像增强进行客观评估。大量实验表明，我们的方法在广泛使用的 LOL、SID 和合成 IC15 数据集上在图像质量和场景文本指标方面均优于最先进的方法。代码和数据集将在 https://github.com/chunchet-ng/Text-in-the-Dark 上公开。
引用
@article{arxiv.2404.14135,
title = {Text in the Dark: Extremely Low-Light Text Image Enhancement},
author = {Che-Tsung Lin and Chun Chet Ng and Zhi Qin Tan and Wan Jun Nah and Xinyu Wang and Jie Long Kew and Pohao Hsu and Shang Hong Lai and Chee Seng Chan and Christopher Zach},
journal= {arXiv preprint arXiv:2404.14135},
year = {2024}
}
备注
The first two authors contributed equally to this work