ClassLIE：面向低光照图像增强的结构与光照自适应分类
计算机视觉与模式识别
2023-12-21 v1
摘要
低光照图像通常存在可见度受限和多种类型的退化问题，使得低光照图像增强（LIE）成为一项艰巨的任务。近期已有一些工作尝试利用卷积神经网络（CNN）来增强低光照图像。然而，它们在学习图像局部区域的结构信息和多样光照水平方面效率低下。因此，增强结果会受到意外伪影的影响，如曝光不均、模糊和颜色偏差。为此，本文提出了一种名为 ClassLIE 的新颖框架，结合了 CNN 和 Transformer 的潜力。它以全局和局部的方式对低光照图像的结构和光照信息进行分类和自适应学习，从而展现出更优的增强性能。我们的框架首先采用结构与光照分类（SIC）模块来自适应地学习退化信息。在 SIC 中，我们将输入图像分解为光照图和反射图。随后设计了一个分类预测块，通过计算反射图上的结构相似性得分和光照图上的均方误差来对退化信息进行分类。如此一来，每张输入图像都可以被划分为具有三种增强难度级别的图像块。接着，提出特征学习与融合（FLF）模块，利用 CNN 针对不同增强难度级别自适应地学习特征信息，同时以全局方式学习图像块的长程依赖关系。在五个基准数据集上的实验一致表明，我们的 ClassLIE 取得了新的 SOTA 性能，在 LOL 数据集上达到 25.74 的 PSNR 和 0.92 的 SSIM。
引用
@article{arxiv.2312.13265,
title = {ClassLIE: Structure- and Illumination-Adaptive Classification for Low-Light Image Enhancement},
author = {Zixiang Wei and Yiting Wang and Lichao Sun and Athanasios V. Vasilakos and Lin Wang},
journal= {arXiv preprint arXiv:2312.13265},
year = {2023}
}