局部-全局关系耦合的低照度图像增强

卷积神经网络目前在人工智能多个领域均取得了不同程度的进展.卷积计算是基于参数共享的滑窗机制,这导致卷积神经网络更多地关注特征信息的局部关系,对全局关系的建模能力有限.局部关系和全局关系对特征的表达均具有重要的作用.为此,本文聚焦于如何对特征信息的局部-全局关系进行构建并有效耦合,从而挖掘更加丰富的特征信息,提高特征的判别性.本文提出了局部-全局关系耦合模块,该模块是由特征提取、基于深度卷积(depth-wise convolution,DWConv)的局部关系构建分支、基于多头自注意力机制(mutli-head self-attention,MHSA)的全局关系构建分支和基于点向卷积(point-wise convolution,PWConv)的关系耦合4部分组成.基于此模块,本文构建了编解码结构的局部-全局关系耦合神经网络,该网络可以对特征信息的局部-全局关系进行建模,增强特征信息的表征能力,进而提升模型的性能.为验证所提算法的有效性,本文在低照度图像增强任务上,使用基准数据集与其他算法进行了实验对比.实验结果表明,本文所提出的方法取得了较好的图像增强结果,优于当前先进的图像增强方法.最后,本文通过消融实验和扩展实验从多个角度进一步验证了有效耦合局部-全局关系的重要性和可扩展性.