514 / 2023-10-26 17:07:04

用于低光图像增强的Zero-DCE模型（已参加吉林省赛区评审）

       本作品使用TensorFlow Keras训练了一种用于低光图像增强的Zero-DCE模型。该模型采用轻量级深度神经网络DCE-Net，接受低光图像作为输入，并生成高阶色调曲线作为输出。这些曲线用于对输入图像的动态范围进行逐像素调整，以获得增强的图像，同时保持增强后的图像范围和相邻像素的对比度。该方法受到了照片编辑软件（如Adobe Photoshop）中曲线调整的启发，用户可以在整个图像色调范围内调整图像。

       1.功能性指标：Zero-DCE模型采用轻量级深度神经网络DCE-Net。它以低光图像作为输入，生成高阶色调曲线作为输出。这些曲线被用来逐像素调整输入图像的动态范围，以产生增强的图像。该项目关注以下功能性指标：图像质量的提升、范围和对比度的保持。

       2.技术方法：关键技术方法包括Zero-DCE的零参考深度曲线估计。这意味着模型训练不需要现实世界的输入/输出图像对，从而提高了自动化程度。模型通过一组非参考损失函数进行训练，这些函数潜在地衡量增强质量并引导网络训练。

       3.使用工具：该项目使用TensorFlow Keras作为深度学习框架来开发、训练和部署Zero-DCE模型。TensorFlow Keras提供了丰富的工具和库，以支持神经网络模型的构建和训练。