优于参考的低光图像增强：条件再增强网络
图像与视频处理
2020-08-27 v1 计算机视觉与模式识别
摘要
低光图像存在严重噪声、低亮度、低对比度等问题。以往研究中已提出许多图像增强方法，但鲜有方法能同时处理这些问题。本文为同时解决这些问题，提出一种可结合监督学习与前人基于 HSV(色相、饱和度、明度)或 Retinex 模型的图像增强方法的低光图像增强方法。首先，我们分析 HSV 颜色空间与 Retinex 理论的关系，表明增强图像的 V 通道(HSV 颜色空间中的 V 通道，等于 RGB 颜色空间中的最大通道)可很好表征对比度与亮度增强过程。随后提出数据驱动的条件再增强网络(记为 CRENet)。该网络以低光图像为输入、以增强的 V 通道为条件，可再增强低光图像的对比度与亮度，同时降低噪声与色彩失真。需注意，训练过程中可使用任意不同曝光时间的成对图像，无需精心挑选监督图像，节省大量工作。此外，在 2080Ti GPU 上处理分辨率 400*600 的彩色图像耗时少于 20 ms。最后通过若干对比实验证明方法有效性。结果显示本文方法可显著提升增强图像质量，且结合其他图像对比度增强方法后，最终增强结果在对比度与亮度上甚至可优于参考图像。(代码见 https://github.com/hitzhangyu/image-enhancement-with-denoise)
引用
@article{arxiv.2008.11434,
title = {Better Than Reference In Low Light Image Enhancement: Conditional Re-Enhancement Networks},
author = {Yu Zhang and Xiaoguang Di and Bin Zhang and Ruihang Ji and Chunhui Wang},
journal= {arXiv preprint arXiv:2008.11434},
year = {2020}
}
备注
10 pages, 8 figures