Keskeiset käsitteet
Ein semi-überwachtes Modell für die Entnebelung von Nachtaufnahmen, das räumliche und frequenzbasierte Informationen sowie eine realistische Helligkeitseinschränkung nutzt, um Dunst, Glühen und Rauschen in Nachtszenen effektiv zu behandeln.
Tiivistelmä
Der Artikel präsentiert einen semi-überwachten Ansatz zur Entnebelung von Nachtaufnahmen, der zwei Hauptherausforderungen adressiert:
- Lokalisierte, gekoppelte und frequenzinkonsistente Merkmale von Dunst, Glühen und Rauschen in Nachtaufnahmen:
- Ein Modul zur Interaktion von räumlichen und frequenzbasierten Informationen (SFII) wird entwickelt, um diese Merkmale gleichzeitig zu behandeln.
- Die SFII-Module nutzen lokale Aufmerksamkeit, Frequenzspektrum-Filterung und eine bidirektionale nichtlineare Abbildung, um die verschiedenen Störungen effektiv zu unterdrücken.
- Unrealistische Helligkeitsintensität in synthetischen Datensätzen:
- Eine Pseudo-Label-basierte Nachtrainingsstrategie und ein lokal fensterbasierter Helligkeitsverlust werden eingeführt, um Dunst und Glühen zu unterdrücken und gleichzeitig eine realistische Helligkeit zu erreichen.
Die Experimente auf öffentlichen Benchmarks zeigen die Effektivität des vorgeschlagenen Ansatzes und seine Überlegenheit gegenüber dem Stand der Technik.
Tilastot
Die Helligkeit der entnebelten Bilder sollte geringer sein als die der nebeligen Bilder.
Der durchschnittliche Pixelwert der entnebelten Bilder liegt nahe dem durchschnittlichen Pixelwert von realen Nachtaufnahmen ohne Nebel.
Lainaukset
"Bestehende Forschung auf Basis von Deep Learning hat das Problem der Entnebelung von Tagaufnahmen umfassend erforscht. Jedoch haben nur wenige Studien die Charakteristiken von nebeligen Nachtszenen berücksichtigt."
"Es gibt zwei Unterschiede zwischen Nacht- und Tagnebelbildern. Erstens können multiple aktive farbige Lichtquellen mit geringerer Beleuchtungsintensität in Nachtszenen auftreten, was zu lokalisierten, gekoppelten und frequenzinkonsistenten Merkmalen von Dunst, Glühen und Rauschen führen kann. Zweitens kann aufgrund der Domänendiskrepanz zwischen simulierten und realen Daten eine unrealistische Helligkeit auftreten, wenn ein auf simulierten Daten trainiertes Entnebelungsmodell auf reale Daten angewendet wird."