BLNet：一种具有去噪与色彩恢复功能的快速低光照图像增强深度学习框架

真实世界低光照条件下获取的图像不仅亮度低，还遭受许多其他类型的退化，如色彩偏差、未知噪声、细节丢失与光晕伪影。在本文中，我们提出一种非常快速的深度学习框架，称为 Bringing the Lightness（记作 BLNet），其由两个 U-Net 与一系列精心设计的损失函数组成，以应对上述所有退化。基于 Retinex 理论，我们模型中的分解网络可将低光照图像分解为反射率与光照，并在分解阶段去除反射率中的噪声。我们提出一个噪声与色彩偏差控制模块（NCBC Module），其包含一个卷积神经网络与两个损失函数（噪声损失与色彩损失）。该模块仅在训练阶段用于计算损失函数，因此我们的方法在测试阶段非常快速。该模块可平滑反射率以实现去噪目的，同时保留细节与边缘信息并控制色彩偏差。我们提出一个可训练以学习低光照与正常光照光照间映射并增强低光照下所拍摄图像亮度的网络。我们在真实世界低光照（LOL）数据集上训练并评估所提模型的性能，并在其他几个常用数据集（LIME、DICM 和 MEF 数据集）上测试我们的模型。我们进行了大量实验以证明我们的方法取得了具有良好鲁棒性与泛化性的可观效果，并在定性与定量上优于许多其他 SOTA 方法。我们的方法因使用损失函数而非引入额外去噪器进行去噪与色彩校正而实现高速度。代码与模型见 https://github.com/weixinxu666/BLNet。