Page 318 - 《软件学报》2021年第12期

3982 Journal of Software 软件学报 Vol.32, No.12, December 2021

Fig.3 Asymmetric convolution AConv structure diagram
图 3 非对称卷积 AConv 结构示意图
2.2.2 特征注意力机制
在绝大多数低照度图像增强网络中,将图像或提取到的特征图中每一个通道或像素对最终增强结果的贡
献都视为是平均的.为了避免在低照度图像增强过程中常出现的局部亮度增强不足或过度增强、色彩失真、噪
声放大等现象,本文通过增加基于像素和通道的两种注意力模块,分别对不同图像的特征情况给不同的像素区
域或特征通道分配不同的学习权重,从而使得模型能够灵活的对特征进行取舍,避免上述失真问题.
1) 像素注意模块(PA)
像素注意模块是指对不同的像素点赋予不同的学习权重,从而使网络能够有针对性地应对低照度图像中
光照不均匀及存在噪声的问题.如图 4 的 Pixel Attention-AConv 所示,PA 模块首先利用两个 AConv 对图像进行
特征学习,然后利用一个 Sigmoid 激活函数将结果映射到(0,1),由此得到与输入尺寸相同的权重图(PAMap):
PAMap(x in )=S(AConv(AConv(x in ))) (13)
其中,S(⋅)表示 Sigmoid 函数.最后,将得到的 PAMap 与输入 x in 进行元素相乘,即可得到像素注意模块的输出为:
x PA =PA(x in )=x in ⊗PAMap(x in ) (14)

Fig.4 Characteristic attention mechanism network structure diagram
图 4 特征注意力机制的网络结构图
2) 通道注意模块(CA)
在提取到的特征图中,每张特征图所提取到的特征不尽相同,且所提取到的特征不一定都有利于进行照度
增强.因此,本文引入了通道注意模块,其目的是通过学习给不同的特征图赋予合适的权重,从而提升具有明显
特征的特征图所占的比例,降低对噪声等特征的学习.CA 结构如图 4 的 Channels Attention-AConv 所示.
首先,CA 对输入 H×W×C 大小的 x in 进行全局平均池化,实现对每一层通道的空间信息压缩,从而得到一个
1×1×C 向量 vector:
W
H
vector (x ) = 1 ∑∑ x i (15)
( , ) j
in HW× i= 1 j= 1 in
然后,利用两个 AConv 对向量进行权重学习,同样采用 Sigmoid 激活函数将结果映射到(0,1),得到权重向量
(CAVector):
CAVector(x in )=S[AConv(AConv(vector(x in )))] (16)