MMFF-NET：多层次多尺度特征融合的弱光图像增强网络

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~