用于低光视觉的双层生成式学习
计算机视觉与模式识别
2023-08-08 v1
摘要
近来,构建用于低光视觉(LLV)的深度学习方案引起越来越多的关注。现有技术主要侧重于在标准RGB域上设计任务特定且数据依赖的视觉模型,其固有地包含潜在的数据关联。在本研究中,我们通过引入一个生成块将数据进行从RAW到RGB域的转换,提出了一种通用低光视觉解决方案。这种新方法通过显式刻画数据生成来连接多样的视觉问题,属领域首创。为精确刻画生成过程与视觉任务之间的潜在对应关系,我们建立了一个双层模型,其中生成块的参数定义为上层,视觉任务的参数定义为下层。我们进一步开发了两类针对不同目标(即低成本与高精度)的学习策略,以获得一种新的双层生成式学习范式。通过增强任务上的双层优化,生成块在其他低光视觉任务中展现出强大的泛化能力。在三个代表性低光视觉任务(即增强、检测和分割)上的大量实验评估充分证明了我们所提方法的优越性。代码将发布于https://github.com/Yingchi1998/BGL。
引用
@article{arxiv.2308.03381,
title = {Bilevel Generative Learning for Low-Light Vision},
author = {Yingchi Liu and Zhu Liu and Long Ma and Jinyuan Liu and Xin Fan and Zhongxuan Luo and Risheng Liu},
journal= {arXiv preprint arXiv:2308.03381},
year = {2023}
}
备注
Accepted by ACM MM'2023, The code will be available at https://github.com/Yingchi1998/BGL