MMFF-NET:多层次多尺度特征融合的弱光图像增强网络

2024-01-07 17:37:08

这是我去年的工作,我录用的第一篇SCI,很拉,3区。今年中科院新版分区,变成4区了。很遗憾。后面会持续给大家更新我的文章以及我的内容。硕士阶段的东西几乎创新点都很差。

但是对于初学者我希望它有一定的参考价值。

文章链接:https://doi.org/10.1007/s11760-023-02797-4

文章代码:https://github.com/chenyuhan1997/MMFF-NET

首先讲一讲网络:

首先,整个网络的代码,我当时基于初学者,我参考了一篇叫做RCF的文章的代码。那篇文章是做边缘检测的。那篇文章很有意思。大家可以去看一看。它提出了使用多层级卷积层的特征上采样后进行通道CONCAT,然后可以得到更加精细化的纹理特征。

RCF:https://arxiv.org/abs/1612.02103

因此我的网络此时你也看见了。我也进行了多卷积层的输出。输出之后呢,我构建了一个多尺度的多分支结构。这个结构其实有点像去年的一篇超分算法顶会RRF-NET,重参数残差结构。

具体依据我感觉它讲的很好:

RRF-NET:?https://ieeexplore.ieee.org/document/10208691

同时,我加了一个特征通道的注意力机制。这个注意力机制巨简单,我删了所有全连接层,相当于除了全局平均池化,就是1×1卷积和Sigmoid增加非线性。

融合层我觉得没什么好讲的,缩放通道,空洞卷积增加下感受野,就差不多了。

这篇文章是我本人的第一个炒菜工作。训练方式使用的Zero-DCE的迭代方式。

ZeroDCE这篇文章在弱光图像增强领域扮演着极其重要的位置。具体可看它的原文:https://ieeexplore.ieee.org/document/10208691

我在文中只是说照着ZeroDCE的方式构建数据集,但是并没有开源我的数据集,因为存在版权问题。您可以使用Zero-dce的数据集进行训练,效果也不错。同时您可以使用如下方式进行自己构建:

总体的图像呈现效果是不错的:

具体可以参考我的文章

本文的创新点是采用了迭代策略的创新和模块化的创新(创新得真不行

欢迎引用~

文章来源:https://blog.csdn.net/m0_57628341/article/details/135441186
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。