用于低光图像增强的自适应展开全变分网络
图像与视频处理
2021-10-08 v4 计算机视觉与模式识别
摘要
真实世界的低光图像存在两种主要退化，即可不可避免的噪声与较差的可见性。由于噪声呈现不同强度，近期工作在对原始 Bayer 空间低光图像进行增强时已实现对其的估计。而在 sRGB 色彩空间中，受图像处理流水线的影响，噪声估计变得更为复杂。然而，现有 sRGB 空间中的多数增强算法仅关注低可见性问题，或在假设噪声水平下抑制噪声，因缺乏鲁棒性而导致其实用性不足。为解决此问题，我们提出一种自适应展开全变分网络（UTVNet），该网络通过在基于全变分正则化的模型去噪方法中学习平衡参数，从真实 sRGB 低光图像中近似估计噪声水平。同时，我们通过展开相应的最小化过程来学习噪声水平图，以提供平滑性与保真度约束的推断。在噪声水平图的引导下，我们的 UTVNet 能够恢复更精细的细节，并更强地抑制真实拍摄低光场景中的噪声。在真实世界低光图像上的大量实验清楚地证明了 UTVNet 相对于最先进方法的优越性能。
引用
@article{arxiv.2110.00984,
title = {Adaptive Unfolding Total Variation Network for Low-Light Image Enhancement},
author = {Chuanjun Zheng and Daming Shi and Wentian Shi},
journal= {arXiv preprint arXiv:2110.00984},
year = {2021}
}
备注
Accepted by ICCV 2021