基于双重注意力残差模块的低照度图像增强

低照度图像增强(Low Light Image Enhancement,LLIE)是将光照不足条件下获取的图像恢复成正常曝光的图像,基于深度学习的LLIE算法常用堆叠卷积或上/下采样的方式设计,这样缺少相关语义信息的指导,导致增强后的图像存在噪声增多、色彩失真、细节丢失等问题。为此,本文提出一种基于双重注意力残差模块的LLIE算法。该算法提出融合双重注意力单元的残差模块(Dual Attention Residual Block,DA-ResBlock),在通道域和空间域提供的语义信息引导下,通过多级串联的DA-ResBlock对有效特征进行稳定提取,并且使用跳跃链接与卷积神经网络来恢复图像细节信息。此外,使用复合损失函数对增强任务进行约束。最后,在2个真实图像的公共数据集上与近几年主流算法进行对比。实验结果表明,本文算法在主观视觉上在有效提高图像亮度的同时,更好地抑制了噪声、恢复了图像色彩与细节纹理,客观评价上在PSNR、SSIM、LPIPS这3个指标上均优于所对比的主流算法。

注意力机制引导暗区域的低光照图像增强

针对黑暗场景下拍摄的光照图像中所产生的光照不均匀,恢复细节不够清晰等问题,提出了基于深度学习的一种低光照图像增强方法,称为ADLIE(Attention-directed Low-light Image Enhancement)算法.首先,利用双通道注意力机制来引导注意网络,依据输入图像的明暗程度进行区域性的分级划分,同时双通道注意力机制还可以提取更多良好的局部特征信息.然后,将注意图和输入图像一同输入到增强网络中.对不同区域利用不同级别的光照强度来提升图像对比度,达到整体图像的均匀曝光的效果.最后,加入增强模块,利用增强模块中的多层卷积连接恢复图像细节,来获得更自然清晰的高质量图像.此外,采用在真实场景下采集的公开LOL数据集和LSRW数据集进行的实验验证,对比了Retinex、R2RNet等经典的方法,在PSNR(峰值信噪比)、SSIM(结构相似性)、CTRS(对比度)和InformationEntropy(信息熵)等常见的评价指标上的实验结果有了显著的提升.该网络在提高低光照图像整体亮度的同时恢复了图像的细节,减少了颜色失真,避免了全局过度曝光,得到更加清晰自然的图像.

浅谈现代林果业转型

林果业是集劳动密集型和技术密集型于一体的产业,更兼有生态效益和经济效益,可以提供大量的就业机会,是实现农民增收和乡村振兴的一条途径。但是受种植规模、科技创新、资金等因素制约,我国的林果业虽大不强,亩产效益与先进国家相比存在较大差距。