Accelerated dual network model for low-exposure image enhancement

Joint Authors

Umar, Azizah A.
Maneetah, Yusuf. A.
Mahjub, Nuri B.

Source

المجلة الدولية للعلوم و التقنية : مجلة علمية محكمة

Publisher

Libyan Society for Research and Scientific Studies

Publication Date

2022-02-28

Country of Publication

Libya

No. of Pages

15

Main Subjects

Information Technology and Computer Science

Arabic Abstract

عندما تعمل طرق تحسين الصورة التقليدية على تحسين الصورة منخفضة التعريض للضوء، فإنها عادة ما تقوم على تحسين السطوع وتتجاهل مشكلة الضوضاء.

إلى جانب ذلك، تستخدم أساليب التعلم العميق الحالية الشبكة من طرف إلى طرف لتتعلم مباشرة عالقة التعيين بين الصورة منخفضة التعريض والصورة العادية، متجاهلة المبدأ المادي لتشكيل الصورة منخفضة التعريض.

لحل مشكلة الضوضاء، يقدم هذا البحث طريقة تحسين الصورة منخفضة التعريض تعتمد على نموذج الشبكة المزدوجة التدريجي من خلال تحليل الأسباب الأساسية لتدهور الصورة.

تتضمن الطريقة المقترحة ج أزين الأول وحدة تحسين الصورة والثاني وحدة تقليل التشويش للصورة.

يعتمد بناء كل وحدة أي على الفكرة التقدمية من خلال النظر في تغيير سطوع الصورة من الظالم إلى الضوء واستعادة الصورة من الخشنة أقرب إلى الصورة الحقيقية.

علاوة على ذلك، لتدريب الشبكة بشكل أفضل، ّ إلى الدقيقة، بحيث تكون النتيجة المحسنة تم تصميم وظيفة فقدان القيود ثنائية الاتجاه، مما يجعل نتيجة التعلم لنهج شبكة البيانات الحقيقية من الاتجاهات الإيجابية والسلبية لنموذج تدهور الصورة.

تظهر النتائج التجريبية أن الطريقة المقترحة أكثر فعالية من بعض التحسينات الحديثة الأخرى.

English Abstract

Traditional image enhancement methods only consider the increase in brightness when enhancing low-exposure images, ignoring the problem of noise amplification during the process.

Current deep learning-based methods, on the other hand, use end-to-end networks to learn the mapping relationship from low-exposure images to normal images without taking into account the physical principles of low-exposure image formation or the problem of noise amplification.

In order to address the aforementioned issues, this paper examines the primary causes of image degradation and proposes a low-exposure image enhancement method based on a progressive dual network model.

An image enhancement module and an image denoising module are both included in the method.

Each module is built in a progressive manner, taking into account the image's brightness change from dark to light.

This paper constructs a two-way constrained loss function to make the network learning result approach the real data from the positive and negative directions of the image degradation model to achieve dynamic balance, in order to better train the network.

This article compares subjective and objective experiments with some mainstream methods in order to verify the efficacy of the method described in this article.

The experimental results show that the results obtained using the method described in this article are more accurate and yield better performance indicators.

Data Type

Conference Papers

Record ID

BIM-1593996

• APA
• MLA
• AMA