DMPH-Net: A Deep Multiscale Pyramid Hybrid Network for Low-Light Image Enhancement with Attention Mechanism and Noise Reduction
Notice bibliographique
Résumé
Abstract Aiming at the problems of color bias and noise enhancement on the output image by the traditional low-light image enhancement algorithm, a DMPH-Net (Deep Multiscale Pyramid Hybrid Network) algorithm that fuses attention mechanism and multiscale pyramid is proposed in this paper. The algorithm uses DecomNet to decompose reflectance and light components, and uses multi-scale illumination attention module to fuse light and reflectance for the decomposed low light reflectance to improve the realism and details of reflectance; by using five-layer feature pyramid and kernel selection in PRID-net module to achieve the fusion of contextual information between different scale feature layers, while effectively removing the enhanced of noise, and the added color loss effectively suppresses the color bias of the output image; using multi-scale cascading and channel attention mechanisms to adjust the illumination and fuse the illumination ratios, effectively enhancing the brightness, texture, and other feature information in the image. The DMPH-Net algorithm is experimentally validated on LOL and no-reference LIME, MEF, and NPE datasets, and the objective evaluation metrics PSNR, SSIM, LIPIPS, and NIQE are 23.3772, 0.8442, 0.1386, and 3.5966 on LOL dataset. The objective evaluation metrics NIQE on the reference-free datasets LIME, NPE, and MEF are 3.0735, 3.1711, and 2.9464, respectively. The experiments show that the DMPH-Net algorithm maintains high image details and textures in image enhancement and denoising, effectively enhances low-light images and reduces noise and color bias of images. Compared with RUAS, UnRetinex-Net and other enhancement algorithms, it improves in objective evaluation metrics PSNR, SSIM, LIPIPS, and NIQE.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».