与主观感知相一致的颜色校正评估数据集建立

为了获得与用户主观感知相一致的颜色校正算法和对校正结果进行客观评估,本文首先创建了一个针对颜色校正的数据集ICCD（Image Color Correction Database）.ICCD数据集中的颜色差异涵盖了多种类型和粒度,其中颜色差异类型包括亮度、色相、饱和度、曝光度、对比度以及RGB中的R和G通道,每类颜色差异包括3个修改粒度.本文挑选了6种具有代表性的颜色校正算法对目标图像进行校正,并通过用户调查获得校正结果图像的主观平均得分值.基于ICCD数据集,本文对6种颜色校正算法的性能进行评估,得出在大多数颜色差异和粒度上,Pitie提出的迭代颜色分布转换算法的校正性能最好,同时具有较好的稳定性.最后,本文对14种图像质量评估方法进行评估,挑选出与已有的评估方法相比与主观感知一致性更好的评估方法.     

基于任务解耦的低照度图像增强方法

低照度条件下拍摄的照片往往存在亮度低、颜色失真、噪声高、细节退化等多重耦合问题,因此低照度图像增强是一个具有挑战性的任务.现有基于深度学习的低照度图像增强方法通常聚焦于对亮度和色彩的提升,导致增强图像中仍然存在噪声等缺陷.针对上述问题,本文提出了一种基于任务解耦的低照度图像增强方法,根据低照度图像增强任务对高层和低层特征的不同需求,将该任务解耦为亮度与色彩增强和细节重构两组任务,进而构建双分支低照度图像增强网络模型（Two-Branch Low-light Image Enhancement Network,TBLIEN）.其中,亮度与色彩增强分支采用带全局特征的U-Net结构,提取深层语义信息改善亮度与色彩;细节重构分支采用保持原始分辨率的全卷积网络实现细节复原和噪声去除.此外,在细节重构分支中,本文提出一种半双重注意力残差模块,能在保留上下文特征的同时通过空间和通道注意力强化特征,从而实现更精细的细节重构.在合成和真实数据集上的广泛实验表明,本文模型的性能超越了当前先进的低照度图像增强方法,并具有更好的泛化能力,且可适用于水下图像增强等其他图像增强任务.