Retinex enhancement of infrared images
PulseAugur coverage of Retinex enhancement of infrared images — every cluster mentioning Retinex enhancement of infrared images across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的扩散模型应对低光图像增强挑战
两篇新研究论文介绍了用于低光图像增强的高级扩散模型。P-PatchDiff 利用渐进式块扩散框架，该框架动态调整块大小，允许从局部视图切换到全局视图，并提高在不同亮度级别下的可扩展性和连贯性。DARD 采用零样本、退化感知、Retinex 引导的扩散方法，从退化图像中提取物理先验来指导恢复，并提高结构一致性和颜色准确性。这两种方法都旨在克服现有技术在处理复杂退化和实现感知真实结果方面的局限性。
-
新的TIRNet框架通过语言引导增强医学图像分割
研究人员开发了一种新颖的框架，称为文本即照明Retinex网络（TIRNet），用于语言引导的医学图像分割。该方法使用文本嵌入作为语义照明来增强特征调制并提高语义一致性。TIRNet包含用于文本调制和细节补偿的专用模块，以及用于确保精确跨模态对齐的多尺度监督损失。在医学数据集上的实验表明，TIRNet达到了最先进的性能。
-
新方法增强低光照条件下的人群计数 · 已追踪2个来源
研究人员开发了一种用于低光照条件下人群计数的新方法，这是一个探索不足的领域。该方法引入了三个新数据集：SHA_Dark、SHB_Dark 和 LC-Crowd。它利用基于 Retinex 的模型，结合深度和边缘线索来增强反射率表示，并提出了一个全模态超图融合模块来整合 RGB 外观、深度几何和边缘结构。此外，还引入了一个可变形矩形稀疏注意力模块来优化密集预测的计算，从而形成一个统一的低光照计数网络（LCNet），据报道其性能优于现有的最先进方法。
-
Self-DACE++ 通过轻量级、高效的自适应曲线改进低光图像增强
研究人员开发了 Self-DACE++，一个用于增强低光图像的先进框架。该新系统通过引入增强的自适应调整曲线 (AAC) 来改进其前身 Self-DACE，在保持图像质量的同时具有计算效率。该框架还包含一个基于物理的客观函数和一个用于有效处理噪声的去噪模块。