Low-Light Image Enhancement via Stage-Transformer-Guided Network 论文阅读笔记

这篇具有很好参考价值的文章主要介绍了Low-Light Image Enhancement via Stage-Transformer-Guided Network 论文阅读笔记。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Low-Light Image Enhancement via Stage-Transformer-Guided Network 论文阅读笔记,论文阅读笔记,transformer,论文阅读,笔记

这是TCSVT 2023年的一篇暗图增强的论文
文章的核心思想是，暗图有多种降质因素，单一stage的model难以实现多降质因素的去除，因此需要一个multi-stage的model，文章中设置了4个stage。同时提出了用预设query向量来代表不同的降质因素，对原图提取的key 和value进行注意力的方法。
网络结构如下图所示：
首先是预处理模块，用了孔洞卷积来提取多尺度特征图
接着multi-stage部分是堆叠重复结构组成，每个结构由双支路（两个尺度，下采样至1/2）残差结构核HVSA模块组成。
HVSA模块如下图所示，他把特征图1x1卷积后按通道平均分为horizontal和vertical，horizontal按行切分，每行是一个token，vertical按列切分。然后按行/列进行自注意力计算，再原样拼回去1x1卷积产生HVSA的输出（作为残差特征加回 $X_i$ ）。但这里的尺度有点奇怪，全文也没有提到这里有下采样的操作，一方面每个stage的双支路是不同分辨率，他是怎么加和到一起的，另一方面不同stage输出的结果的shape来看是一直在下采样的，不知道是不是patch merging操作没有写出来，得看代码。
decoder则用预设的degradation token来作为query进行多头注意力机制，然后卷积并上采样成原图，这里同样也没有写很多细节，比如怎么上采样的以及多头注意力对图片是按pixel来算token还是按patch，按patch又是按多大的patch，统统没有说。
损失函数则是三个损失的加权和，分别是MSE损失，vgg的perceptual损失和计算预测结果和GT的直方图来算直方图之间的L2损失。
在LOL上训练并比较了LOL上面的结果：
这篇工作很多细节没有呈现，但是用预设的vector作为degradation query的idea还是蛮有意思的，也是第一个个人感觉把transformer和暗图增强这个任务的特殊性有结合的方法，其他的地方感觉有很多改进空间，预设vector作为degradation也有很多改进空间，感觉像是个比较除草的工作。文章来源地址https://www.toymoban.com/news/detail-577175.html