Indexed by：
Abstract：
针对低照度图像增强问题,提出一种基于生成式对抗网络(generative adversarial networks, GAN)的循环式图像增强网络.引入无监督学习方式,通过降低循环一致性损失和对抗性损失,估计低照度图像的原始光照图;利用建立的图像增强模型公式,对光照不足环境下采集到的图像进行亮度等方面的增强.在人工合成低照度图像数据集和真实自然低照度图像数据集上,均进行了质化和量化评价.实验表明,与现有的一些图像增强方法相比,该方法具有更好的图像增强效果,能够由低照度图像复原出生动、清晰、直观、自然的高质量图像.
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
福州大学学报(自然科学版)
ISSN： 1000-2243
CN： 35-1337/N
Year： 2020
Issue： 05
Volume： 48
Page： 551-557
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 3
Affiliated Colleges：
