南京邮电大学学报(自然科学版)

作者：刘宁,蔡闻超,陈颜皓,刘尧振,许吉,章文欣,宋仁轩,祝福

单位：南京邮电大学 电子与光学工程学院、柔性电子（未来技术）学院，江苏 南京 210023南京邮电大学 电子与光学工程学院、柔性电子（未来技术）学院，江苏 南京 210023南安普顿大学 电子与计算机科学学院, SO17 1BJ,Southampton, U.K.南京邮电大学 电子与光学工程学院、柔性电子（未来技术）学院，江苏 南京 210023南京邮电大学 电子与光学工程学院、柔性电子（未来技术）学院，江苏 南京 210023南京邮电大学 电子与光学工程学院、柔性电子（未来技术）学院，江苏 南京 210023南京邮电大学 电子与光学工程学院、柔性电子（未来技术）学院，江苏 南京 210023南京邮电大学 电子与光学工程学院、柔性电子（未来技术）学院，江苏 南京 210023

关键词：深度学习神经网络；超微光成像; 内外注意力; 多残差注意力; 软阈值收缩

基金：江苏省重点前瞻与关键技术项目(BE2021029)资助项目

超微光成像可在极度黑暗的环境中给观察者提供近乎白昼的视觉体验，在许多民用和军事应用中起着至关重要的作用。超微光环境下拍摄的图像和视频通常存在亮度与对比度极低、噪声水平高、场景细节和色彩严重缺失等固有缺陷，近年来，深度学习为超微光成像的研究带来了新的机遇。文中采集并提供了一组实用性更强的超微光训练数据集，提出了一种多残差注意力深度收缩网络（Multi Residual Attention Shrinkage Network），以此实现了一种新的超微光成像方法。通过成功研制的小型化样机证实了该方法的工业量产前景。实现了基于通道注意力和空间注意力的残差内注意力机制，以及基于深度软阈值收缩的外注意力机制，不仅可以有效提取并还原极低照度环境下的图像细节信息，恢复场景真实色彩，而且可以有效去除此类环境下由成像设备感光不足带来的巨量噪声。实测效果显示该方法可对极低照度环境进行有效的增强且实时性高。通过与多种业界最新方法比较，文中方法在主观视觉体验以及客观参数两方面均表现更好。

来源：2024年第02期

《南京邮电大学学报(自然科学版)》期刊编辑部

查看南京邮电大学学报(自然科学版)杂志2024年第02期