Page 322 - 《软件学报》2021年第12期

3986 Journal of Software 软件学报 Vol.32, No.12, December 2021

元进行评估实验,如图 7 所示,对比模型在某些模块的不同设计以进行消融实验.用于对比评估的模型中,除图 7
所示的模块不同外,其余部分的模型设计和实验设置不变.这些模型训练后,对测试集(GLN-test)进行测试,得到
的客观评价指标结果见表 1,其中,MDARNet w/o PACA 表示在 MDARNet 模型中去掉所有注意力机制.

Fig.7 Multi-scale feature extraction and evaluation model of jump connection structure
图 7 多尺度特征提取和跳跃连接结构的评估模型

Tabel 1 Objective evaluation indicators of different network structure enhancement effects
表 1 不同网络结构增强效果的客观评价指标
评估模块 模型 PSNR SSIM MS-SSIM MSE
MDARNet w/o MS block 21.86 0.797 7 0.918 3 0.007 27
MS MDARNet w/o PA (MS) 22.32 0.808 8 0.922 3 0.006 54
MDARNet w CA (MS) 22.00 0.805 3 0.921 5 0.007 05
MDARNet w/o Skip 22.20 0.754 7 0.898 6 0.006 56
Dense
MDARNET w DenseSkip 22.10 0.817 1 0.922 6 0.006 86
Gaussions MDARNet w/o GCAPA block 21.38 0.797 3 0.918 9 0.008 26
Attention MDARNet w/o PACA 21.20 0.794 6 0.917 2 0.008 55
Ours MDARNet 22.76 0.814 1 0.921 6 0.005 91

如表 1 结果显示:当对 MS 模块评价时,无论是去除 MS 模块、去除 MS 中的 PC 单元还是在 MS 模块的基
础上增加 CA 单元,都降低了增强图像的 PSNR,SSIM,MSE 指标.对 Dense 模块评估时,通过去除跳跃连接(w/o
skip)和增强跳跃连接构建两种对比模型与本文的跳跃设计进行性能对比分析,可以看出,没有跳跃连接的增强
结果在各项评价指标得分上均差于 MDARNet.虽然增加密集的跳跃连接的方式能够得到更高的 SSIM 和 MS-
SSIM 值,但其 PSNR 和 MSE 的得分明显差于 MDARNet,此外还增加了计算消耗.在 Gaussions 模块的消融实验
中可以看出:像素注意力和通道注意力的应用能够更有利于对图像环境光照和噪声分量的估计,能有效提升增
强结果图的各项评价指标.通过对整个网络的注意力机制单元进行消融实验发现:注意力机制能够弥补简单卷
积运算的缺陷,从而显著提升增强图像的质量.
3.3 联合损失函数评估
通过多组实验对联合损失函数的组合方式进行对比分析,实验结果见表 2.

Tabel 2 Objective evaluation indexes of different joint loss function enhancement effects
表 2 不同联合损失函数增强效果的客观评价指标
损失函数 PSNR SSIM MS-SSIM MSE
L MAE 22.63 0.767 6 0.904 4 0.005 99
L MSE 22.35 0.772 8 0.907 9 0.006 39
L SSIM 21.86 0.813 8 0.922 2 0.007 25
λ MSE⋅L MSE +λ MAE⋅L MAE 22.25 0.758 4 0.904 6 0.006 51
λ MAE⋅L MAE +λ SSIM⋅L SSIM 22.16 0.804 7 0.919 9 0.006 82
λ MSE⋅L MSE +λ SSIM⋅L SSIM 22.15 0.814 6 0.921 8 0.006 79
λ MSE⋅L MSE +λ MAE⋅L MAE +λ SSIM⋅L SSIM 22.76 0.814 1 0.921 6 0.005 91