亮化与着色：一种用于定制化低光图像增强的解耦网络
计算机视觉与模式识别
2023-08-08 v1
摘要
低光图像增强（LLIE）旨在改善低光条件下所捕获图像的感知质量。通常，低光图像可分解为亮度与色度分量。该领域近期进展主要聚焦于亮度的细化，而忽视色度的作用，易导致色差，并在一定程度上限制了色度在定制化LLIE中的多样应用。本文提出一种“亮化与着色”网络（称为BCNet），将图像着色引入LLIE以解决上述问题。BCNet可在准确色彩下完成LLIE，并同时基于用户偏好实现不同饱和度与色彩风格的定制化增强。具体而言，BCNet将LLIE视为多任务学习问题：亮化与着色。亮化子任务与其他常规LLIE方法一致以获取良好照明的亮度；着色子任务通过将低光图像的色度视作如用户引导图像着色中的色彩引导来完成。模型训练完成后，该色彩引导（即输入低光色度）可由用户简易调控以获得定制化结果。此定制化过程为可选，且因其解耦特性，不会损害亮度的结构与细节信息。在常用LLIE数据集上的大量实验表明，所提方法同时实现了State-Of-The-Art（SOTA）性能与用户友好定制。
引用
@article{arxiv.2308.03029,
title = {Brighten-and-Colorize: A Decoupled Network for Customized Low-Light Image Enhancement},
author = {Chenxi Wang and Zhi Jin},
journal= {arXiv preprint arXiv:2308.03029},
year = {2023}
}