Dikkat Mekanizmalarının Düşük Aydınlıklı Görüntü İyileştirme Üzerindeki Etkileri

Year 2023, Volume: 13 Issue: 1, 32 - 51, 11.07.2023

Mine Onat , Serdar Çiftçi

https://doi.org/10.55024/buyasambid.1322474

Abstract

Düşük aydınlıklı görüntü iyileştirme problemi bilgisayarlı görü alanında yaygın olarak çalışılmış olsa da hala renk sapmaları konusu tam olarak çözülebilmiş değildir. Bu çalışmada düşük aydınlıklı görüntü iyileştirmede başarılı sonuçlar sergileyen SSIENet mimarisi üzerinde farklı dikkat mekanizmalarının kullanılmasıyla renk sapmalarının önlenmesinin etkileri incelendi. Deneyler için etkili kanal, uzamsal ve kanal sıkma ve uyarma, kanal dikkat, koordinat dikkat, sıkma ve uyarma ve darboğaz dikkat mekanizmaları kullanıldı. Deneylerde dikkat mekanizma kullanılarak düşük aydınlıklı görüntü iyileştirmeyle PSNR ve SSIM değerlerinin önemli şekilde arttığı fark edildi. Özellikle sıkma ve uyarma dikkat mekanizmasının düşük aydınlıklı görüntü iyileştirmede kullanıldığında PSNR değeri 19.1574’ten 20.5135’e, SSIM değeri ise 0.7108’den 0.7657’e yükseldiği bulundu.

Keywords

Düşük Aydınlıklı Görüntü İyileştirme, Dikkat Mekanizması, Derin Öğrenme

Effects Of Attention Mechanisms On Low Light Image Enhancement

Abstract

Although the problem of low-light image enhancement has been extensively studied in the field of computer vision, the issue of chromatic aberrations has still not been completely solved. In this study, the effects of preventing chromatic aberration by using different attention mechanisms on the SSIENet architecture, which exhibits successful results in low-light image enhancement, were investigated. Effective channel, spatial and channel squeeze and excitation, channel attention, coordinate attention, squeeze and excitation and bottleneck attention mechanisms were used for the experiments. In experiments, it was noticed that PSNR and SSIM values increased significantly with low-light image enhancement using the attention mechanism. It was found that the PSNR value increased from 19.1574 to 20.5135, and the SSIM value increased from 0.7108 to 0.7657, especially when the squeeze and excitation attention mechanism was used for low-light image enhancement.

Keywords

Low Light Image Enhancement, Attention Mechanisms, Deep Learning

References

• Abdullah-Al-Wadud, M., Kabir, M. H., Dewan, M. A. A., & Chae, O. (2007). A dynamic histogram equalization for image contrast enhancement. IEEE transactions on consumer electronics, 53(2), 593-600.
• Bastidas, A. A., & Tang, H. (2019). Channel attention networks. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (pp. 0-0).