微弱光画像は低コントラストや低信号雑音比などの問題があり、低品質の収集画像は後続の観察や測定に深刻な影響を及ぼします。複雑な応用シーンにおける微弱光画像の品質向上のために、本研究では繰り返し伝播ネットワークを設計し、迅速かつ頑健に微弱光画像強調タスクを完遂します。まず、本研究では段階的に照度予測タスクをモデル化する多段階予測モデルを設計し、未知の現実状況に対応するためモデルの非線形フィッティング能力を強化しました。多段階カスケードネットワークによる推論負荷を考慮し、Retinex順伝播モデルに基づく反復ループを構築し、多段階モデルの各段階が類似または同一の状態に収束することで推論過程を最適化し、モデル性能を向上させるとともに推論速度を大幅に向上させました。公開データセットを用いた比較実験において、ピーク信号雑音比および構造類似度の平均値は従来の最優秀対比アルゴリズムをそれぞれ11.8％および3.5％上回りました。さらに、本研究では反復伝播ネットワークを実際に収集された低露光写真および低励起蛍光顕微画像の増強に適用し、実験結果は優れた画像強調性能と汎化性を証明しました。

ニューラルネットワーク;微弱光画像強調;カスケード構造;Retinexモデル