An Improved CycleGAN-Based Model for Low-Light Image Enhancement
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The low-light image enhancement is a challenging and hot research issue in the image processing field. In order to enhance the quality of low-light images to obtain full structure and details, many low-light image enhancement algorithms have been proposed and deep learning-based methods have achieved great success in this field. However, most of the deep learning methods require paired training data, which is difficult to obtain. And the overall visual quality of the enhanced image is still not very satisfying. To deal with these problems, an unsupervised low-light image enhancement model based on an improved Cycle-Consistent Generative Adversarial Networks (CycleGAN) is proposed in this paper. In the proposed model, a low-light enhancement generator of the CycleGAN network is constructed based on an improved U-Net structure, and the adaptive instance normalization (AdaIN) is designed to learn the style of the normal light image. In particular, a detail enhancement method based on multi-layer guided filtering is added to the proposed model, which can improve the quality and visual pleasantness of image enhancement. In addition, a joint training strategy based on structural similarity is presented, to strengthen the constraints on generating more realistic and natural images. At last, extensive experiments are conducted and the results show that the proposed method can accomplish the task of transferring low-light images to normal light and outperform the state-of-the-art approaches in various metrics of visual quality.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle