Низкая освещенность, сочетающая многомасштабные сети глубокого обучения и алгоритм улучшения изображения

В связи с отсутствием эталонных изображений для задач улучшения при слабом освещении, а также в связи с проблемами искажения цвета, потери текстуры, размытости деталей и сложности получения достоверных изображений в существующих алгоритмах в статье предлагается многомасштабная взвешенная характеристика при слабом освещении на основе теории Retinex и механизма внимания. Алгоритм улучшения изображения выполняет извлечение многомасштабных признаков на изображениях при слабом освещении с помощью модуля извлечения признаков, основанного на архитектуре Unet, генерирует многомерную многомасштабную карту признаков и устанавливает модуль механизма внимания для выделения информации о признаках разных масштабов, которые выгодны для улучшенного изображения и получения взвешенного изображения. Карта объектов высокой размерности, модуль окончательной оценки отражения использует теорию Retinex для построения сетевой модели и генерирует окончательное улучшенное изображение с помощью карты объектов высокой размерности. Разработана сквозная сетевая архитектура, а набор саморегулярных функций потерь используется для ограничения сетевой модели, которая избавляется от ограничений эталонных изображений и реализует обучение без учителя. Окончательные экспериментальные результаты показывают, что алгоритм, в предложенный в данной статье поддерживает высокую детализацию и текстуру изображения, повышая контрастность и четкость изображения, имеет хорошие визуальные эффекты, может эффективно улучшать изображения при слабом освещении и значительно улучшает визуальное качество. По сравнению с другими усовершенствованными алгоритмами нами улучшены объективные показатели PSNR и SSIM.