基于深度学习的端侧低照度图像增强与彩色恢复信号处理系统设计.docxVIP

PAGE2

基于深度学习的端侧低照度图像增强与彩色恢复信号处理系统设计

摘要

在夜间或低照度环境下，视频监控、自动驾驶、移动摄影等应用面临成像质量骤降的难题，表现为极低亮度、噪声剧烈、色彩失真和细节丢失。现有方案多依赖云端处理或高算力平台，难以在边缘设备上实现实时增强。针对这一痛点，本设计提出一套基于深度学习的端侧低照度图像增强与彩色恢复信号处理系统。系统以轻量化卷积神经网络为核心，设计了一种多尺度特征融合的增强网络，并结合色彩感知损失实现从RAW域到sRGB域的端到端映射，在恢复亮度的同时重建自然色彩。面向端侧NPU（神经网络处理器），采用结构化剪枝、8位量化与算子融合技术，将模型压缩至2.1MB，推理速度达到30FPS以上，满足实时视频帧处理要求。本文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进路线展开：第一章分析低照度成像的痛点与现有方案局限；第二章介绍轻量化网络设计与NPU部署关键技术；第三章明确系统功能与非功能需求；第四章给出软硬件协同的总体架构；第五章详细阐述增强网络、色彩恢复算法与模型轻量化方案；第六章展示系统实现与运行效果；第七章从功能、性能与色彩精度三方面进行测试验证；第八章总结工作并展望未来。本设计的核心创新在于：提出参数量仅0.18M的极轻量网络架构，在移动端NPU上实现实时低照度视频增强，同时保证色彩保真度，为边缘智能成像设备提供了高