基于通道先验和伽马校正的轻量级低光照图像增强网络

人类视觉高度依赖可用的环境光来感知物体。低光照场景提出了两个独特的挑战：因照明不足导致的信息丢失和不希望的亮度偏移。低光照图像增强 (LLIE) 是指专为处理此场景而设计的图像增强技术。我们介绍了 CPGA-Net，这是一种创新的 LLIE 网络，它通过深度学习结合了暗/亮通道先验和伽马校正，并融合了受大气散射模型和 Retinex 理论启发的特征。该方法结合了传统方法和深度学习方法，设计在一个简单而高效的架构框架内，专注于基本特征提取。生成的 CPGA-Net 是一个轻量级网络，仅有 0.025 百万参数和 0.030 秒的推理时间，但在客观和主观评估标准上均优于现有的 LLIE 方法。此外，我们利用带有可解释因素的知识蒸馏，提出了一种高效版本，实现了 0.018 百万参数和 0.006 秒的推理时间。所提出的方法为 LLIE 注入了新的解决思路，为具有挑战性的低光照场景提供了实际应用。