基于上下文Transformer的低光照图像增强网络

由于现实环境中明暗光照的剧烈变化，现有的低光照图像增强方法往往会导致增强后的图像亮度和对比度不足，出现伪影和模糊等情况。此外，当前的低光照图像增强工作仅针对于图像亮度的提升，而对于噪声影响的处理较少，这些都不利于低光图像的增强。为了解决上述问题，论文提出了一种基于上下文Transformer的低光照图像增强算法。具体地，论文首先利用动态卷积网络对低光照图像进行特征提取；接着，设计了上下文Transformer对得到的特征图进行全局关联的深层特征提取，并使用金字塔池化模块进行去噪处理；最后，通过瓶颈结构的卷积网络输出得到增强后的图像。在多个主流数据集（LOL,LIME,DICM等）上的对比实验结果表明，与目前已有的主流工作相比，论文所提方法的结果不仅在主观视觉上有更好的视觉效果，更加符合人眼的视觉特点；而且在各种定量客观评价指标上也有良好的表现，尤其在PSNR和SSIM两个指标上有明显的提升。