论文部分内容阅读
相机在弱光的自然环境或数字成像设备精度低的物理条件限制下,所采集的图像通常存在亮度较低、噪声大、颜色失真,其分辨率和动态范围也受到一定的限制,造成视觉效果不佳的问题,同时在计算机视觉任务中也无法有效地提取图像信息。针对该问题,对图像增强研究做了以下工作:1、基于强化对抗学习的Exposure框架图像增强模型能够在标签与输入不对应的数据集中完成图像修饰操作。但增强结果存在过曝、颜色失真等问题。针对该问题,提出critic正则化相对对抗优势AC(Relativistic Adversarial Advantage Actor-Critic with Critic Regularization,RA3C-CR)框架。该框架利用相对均值生成对抗网络对强化学习框架中的奖励函数进行近似建模,强化判别器的鉴别能力,并设计策略梯度算法的惩罚项约束策略网络的学习行为来稳定训练,提升了增强图像的质量。2、多数基于单幅图像增强方法由于原始图像信息有限,导致无法显示图像细节。本文使用可微的深度快速引导滤波将图像分解为低频基础层和高频细节层,再通过残差卷积神经网络学习相应特征,使网络分别专注于对图像色彩转换和高频细节的恢复。最终融合高频低频特征恢复高质量图像,实现逐像素增强图像。3、针对传统高动态范围图像(High Dynamic Range,HDR)合成技术需要对多幅不同曝光度的图像进行合成,再通过色调映射生成HDR图像,较为复杂耗时。因此,提出基于生成对抗网络的单幅低动态范围(Low Dynamic Range,LDR)图像HDR风格迁移算法。生成对抗网络被广泛应用于图像编辑任务,使用高效的单路生成对抗网络,利用多尺度自适应条件归一化模块,学习目标域HDR风格图像特征并生成归一化层的风格仿射参数,引导特征层重构时实现全局和局部图像风格迁移。在解码过程中,为保留特征空间的结构信息及统计特性,使用小波池化操作代替传统池化,生成质量较高的HDR图像。