Lueur dans l’Obscurité : Amélioration des Images en Faible Éclairage avec une Mémoire Externe

Les méthodes basées sur l’apprentissage profond ont connu un succès remarquable grâce à leurs puissantes capacités de modélisation. Toutefois, les poids de ces modèles sont appris à partir de l’ensemble complet des données d’entraînement, ce qui entraîne inévitablement une ignorance des propriétés spécifiques aux échantillons dans la carte d’amélioration apprise. Ce phénomène conduit à une amélioration inefficace des échantillons testés qui diffèrent fortement de la distribution des données d’entraînement. Dans cet article, nous introduisons une mémoire externe pour concevoir un réseau augmenté par mémoire externe (EMNet) dédié à l’amélioration d’images en faible éclairage. La mémoire externe vise à capturer les propriétés spécifiques aux échantillons du jeu de données d’entraînement, afin de guider l’amélioration lors de l’étape de test. Grâce à la mémoire apprise, des distributions plus complexes des images de référence présentes dans l’ensemble complet des données peuvent être « mémorisées », permettant ainsi une adaptation plus fine des échantillons testés. Pour renforcer davantage la capacité du modèle, nous adoptons le transformer comme architecture de base, particulièrement efficace pour capturer les redondances spatiales à longue portée. Les résultats expérimentaux démontrent que la méthode proposée présente des performances prometteuses et surpasser les approches de pointe. Il convient de noter que la mémoire externe proposée constitue un mécanisme plug-and-play pouvant être intégré à tout méthode existante afin d’améliorer davantage la qualité d’amélioration. Des applications complémentaires de l’intégration de la mémoire externe à d’autres méthodes d’amélioration d’images sont analysées qualitativement et quantitativement. Les résultats confirment davantage l’efficacité du mécanisme de mémoire proposé lorsqu’il est combiné à des méthodes d’amélioration existantes.