声明
第 1 章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1传统的低光图像增强算法
1.2.2基于深度学习的低光图像增强方法
1.3 本文主要研究内容及结构安排
第 2 章 低光增强理论及生成对抗网络概述
2.1 引言
2.2 传统低光图像增强算法
2.2.1 直方图均衡化 HE
2.2.2 视网膜增强算法
2.3 基于深度学习的方法
2.3.1 基于深度自编码的低光增强算法 LLNet
2.3.2 深层视网膜分解低光增强算法 RetinexNet
2.4 生成对抗网络模型
2.4.1 生成对抗网络基本原理
2.4.2 最小二乘生成对抗网络 LSGAN
2.4.3 循环一致性生成对抗网络 CycleGAN
2.5 本章小结
第 3 章基于无监督学习的低光增强算法
3.1 引言
3.2非成对数据集上的低光图像增强问题
3.2.1 成对数据集与非成对数据集
3.2.2 在非成对数据集上定义低光图像增强问题
3.3 模型总体架构
3.4 网络结构
3.4.1 深度残差网络
3.4.2 生成器网络结构
3.4.3判别器网络结构
3.4.4多尺度判别器
3.5模型损失函数
3.5.1 对抗损失
3.5.2 单向循环一致性损失
3.5.3 单向感知损失
3.5.4 同一映射损失
3.5.5 总体损失函数
3.6 对比实验及分析
3.6.1 模型训练与参数配置
3.6.2 实验数据集介绍
3.6.3 对比实验设置
3.6.4 图像质量定性分析
3.6.5 图像质量定量分析
3.7 本章小结
第 4 章深监督 Unet++生成器网络
4.1 引言
4.2 网络模型介绍
4.2.1 U-Net网络
4.2.2 Unet++网络
4.2.3 基于深监督的 Unet++网络
4.2.4 深监督 Unet++生成器网络模型
4.3 模型总体架构及训练
4.4 损失函数
4.5 对比实验及分析
4.6 本章小结
第 5 章 基于生成对抗网络的低光增强系统
5.1 引言
5.2 需求分析与模块设计
5.3 系统功能实现与测试
5.3.1 系统开发环境
5.3.2 数据预处理与模型训练
5.3.3 图像增强及结果保存
5.4 本章小结
结论
(1)总结
(2)展望
参考文献
附录 A 发表论文和参加科研情况说明
致 谢
湖南大学;