أنت بحاجة إلى مساحة لون واحدة فقط: شبكة فعالة لتحسين الصور في الإضاءة المنخفضة

مهمة تحسين الصور ذات الإضاءة المنخفضة (LLIE) تهدف إلى استعادة التفاصيل والمعلومات البصرية من الصور ذات الإضاءة المنخفضة المتضررة. تعتمد معظم الطرق الحالية على تعلم الدالة التحويلية بين الصور ذات الإضاءة المنخفضة والعادية باستخدام الشبكات العصبية العميقة (DNNs) في مجالات الألوان sRGB وHSV. ومع ذلك، فإن عملية التحسين تتضمن زيادة إشارات الصورة، وتطبيق هذه المجالات الألوان على الصور ذات الإضاءة المنخفضة التي تحتوي على نسبة إشارة إلى ضوضاء منخفضة يمكن أن يُدخل حساسية وعدم استقرار في عملية التحسين. نتيجة لذلك، يؤدي هذا إلى وجود تشوهات لونية وتشوهات سطوع في الصور المحسنة. لحل هذه المشكلة، نقترح مجال ألوان قابل للتدريب جديدًا باسم مجال السطوع الأفقي/الرأسي (HVI). لا يقتصر دوره على فصل السطوع والألوان عن القنوات RGB لتخفيف عدم الاستقرار أثناء التحسين فحسب، بل يتكيف أيضًا مع الصور ذات الإضاءة المنخفضة في نطاقات إضاءة مختلفة بفضل المعلمات القابلة للتدريب. بالإضافة إلى ذلك، صممنا شبكة جديدة لفصل السطوع والألوان (CIDNet) تتكون من فرعين مخصصين لمعالجة السطوع والألوان المنفصلين في مجال HVI. داخل CIDNet، قدمنا وحدة الانتباه المتقاطع الخفيفة (LCA) لتسهيل التفاعل بين بنية الصورة ومعلومات المحتوى في كلا الفرعين، مع كبت الضوضاء في الصور ذات الإضاءة المنخفضة. وأخيرًا، أجرينا 22 تجربة كمية وكيفية لإظهار أن CIDNet المقترحة تتفوق على أفضل الطرق الحالية في 11 مجموعة بيانات. الرمز البرمجي متاح على الرابط https://github.com/Fediory/HVI-CIDNet.