Der Parameter-Einstellungsprozess beinhaltet den Vergleich der Leistung des vorgeschlagenen Algorithmus mit anderen effektiven Algorithmen zur Helligkeitsverbesserung (LIME25, ZeroDCE21, DEEPUPE18, R2RNet20) und Rauschunterdrückung (IRCNN36, FFDNet38, DNCNN37). Die relevante verwendete Code wurde von den Originalautoren bereitgestellt. Zur Beurteilung der experimentellen Ergebnisse werden quantitative Auswertungsmetriken wie SSIM und PSNR herangezogen. LPIPS, oder Learned Perceptual Image Patch Similarity, ist eine auf Deep Learning basierende Metrik zur Bewertung der Bildqualität, die darauf abzielt, menschliche visuelle Wahrnehmungen von Bildunterschieden nachzuahmen und mit subjektiven menschlichen Bewertungen übereinzustimmen.
Die Datensammlung umfasste ein Datenset von Brückenschrägbildern des Fujian Provincial Institute of Traffic Sciences mit lediglich 265 Proben. Zur Verbesserung der Generalisierung und Robustheit des Modells wurden Datenaugmentationstechniken eingesetzt, darunter Anpassungen an die Bildhelligkeit und die Einführung von zufälligem Rauschen. Dies erweiterte effektiv das Bildverzeichnis, simuliert variable realen Bedingungen und stärkt die Fähigkeit des Modells, komplexe Szenarien zu bewältigen. Das daraus resultierende Trainingsset wurde auf 2.369 Bilder erweitert, die eine Vielzahl von Risseigenschaften umfassen, um sicherzustellen, dass das Modell Risse tiefgehend versteht. Ein weiterer unabhängiger Testdatensatz von 976 Bildern wurde erstellt, um die Leistung des Modells objektiv zu bewerten, wenn es mit ungesehenen Daten konfrontiert wird.
Im Ablationsteil werden die Wirksamkeit jedes Bestandteils in diesem Verfahren getestet. Durch die Verwendung von Varianten dieses Verfahrens, die speziell zur Verbesserung von Niedriglicht und Rauschreduzierung getrennt angewandt werden. Die Ergebnisse zeigten, dass die gleichzeitige Niedriglichtverbesserung und Rauschunterdrückung den Kontrast und die Helligkeit in dunklen Bereichen des degradierten Bildes verbesserte, das Bildrauschen effektiv entfernte und reichhaltige Texturinformationen wiederherstellte – was zu einem zufriedenstellenden visuellen Ergebnis führte.
Eine weitere Validierung der Leistung des Algorithmus auf anderen Szenariobilddateien wurde durchgeführt, wobei die Ergebnisse mit LIME und ZeroDCE verglichen wurden. Unsere Methode zeigte eine effektive Bildwiederherstellung in verschiedenen Szenarien und übertraf damit die anderen Ansätze in der Helligkeitsverbesserung und Detaillierung der Bilder. Darüber hinaus wurde die Generalisierungsfähigkeit des vorgeschlagenen Verfahrens bestätigt.