Page 323 - 《软件学报》2021年第12期

江泽涛 等:一种基于 MDARNet 的低照度图像增强方法 3987

可以看出:当只采用 L MSE 或 L MAE 时,可以得到很高的 PSNR 和 MSE 值,但是 SSIM 和 MS-SSIM 值较低;而
只采用 L SSIM 时,得到的评价指标则正好相反.此外,无论是 L MSE ,L MAE 和 L SSIM 的哪两种损失函数的两两组合,得
到的增强结果都比三者的组合效果差.虽然λ MSE ⋅L MSE +λ SSIM ⋅L SSIM 的组合在 SSIM 和 MS-SSIM 的得分与
λ MSE ⋅L MSE +λ MAE ⋅L MAE +λ SSIM ⋅L SSIM 存在可忽略的差异,但在 PSNR 和 MSE 指标上的测试结果要明显比
λ MSE ⋅L MSE +λ MAE ⋅L MAE +λ SSIM ⋅L SSIM 的效果差.
3.4 不同照度增强方法评估
为了验证 MDARNet 能够有效实现低照度图像增强,本文分别对通过合成低照度图像测试集和真实低照度
图像测试集进行测试实验和对比分析.实验通过与一些流行低照度图像增强算法进行增强对比,包括非基于学
[9]
[8]
[7]
[1]
[6]
[5]
习的 LDR ,LIME ,RobustRetinex ,JED ,Dehaze ,Ying-CAIP ,Ying-ICCV [10] 方法,基于学习的 MSRNet [11] ,
MBLLEN [12] ,LLCNN [13] ,GLADNet [16] ,KinD [17] ,LLEGAN [18] 和 MRVAE [19] 方法.上述所有基于学习的增强方法均
采用同 MDARNet 相同的数据集和实验设置进行训练和测试.
3.4.1 合成低照度图像测试集增强结果对比
采用第 2.4 节的合成低照度图像测试集(GLN-test)进行验证实验,其增强结果如图 8 和表 3 所示,表中数据
为 400 对测试结果的平均值.

Fig.8 Test result graph of the learning-based enhanced algorithm on GLN-test
图 8 基于学习的增强算法在 GLN-test 上的测试结果图
Tabel 3 Objective evaluation indexes of different methods in synthetic test set
表 3 不同方法在合成测试集的客观评价指标
方法 PSNR SSIM MS-SSIM MSE
MSRNet 20.25 0.722 9 0.879 8 0.010 37
MBLLEN 18.74 0.763 5 0.896 8 0.014 77
KinD 11.69 0.527 4 0.831 1 0.069 90
LLEGAN 20.43 0.753 0 0.885 4 0.009 84
MRVAE 20.65 0.757 3 0.882 8 0.009 58
LLCNN 21.52 0.812 7 0.920 8 0.008 14
GLADNet 22.08 0.781 2 0.907 0 0.006 93
MDARNet 22.76 0.814 1 0.921 6 0.005 91

从图 8、表 3 的结果可以看出:每一种照度增强方法均能对低照度图像实现照度上的增强,但也都分别存在
不足之处.从细节图像可以看出,MSRNet,MRVAE,LLEGAN 和 GLADNet 方法的增强效果存在不同程度的降噪
效果差的问题.由于原始模型没有考虑图像的噪声问题,因此 MSRNet 的去噪效果最差;此外,增强的图像细节不
够清晰、出现图像整体泛黄的色彩失衡问题.虽然 KinD 能够有效去噪,但是照度提升有限,故其各项客观评价指