用于低照度动漫风景图像增强的数据相对论不确定性框架

与自然图像和视频中盛行的低照度增强工作相比，本研究处理动漫风景图像中的低照度质量退化问题，以弥合领域差距。针对这一研究尚少的增强任务，我们首先从各种来源精选图像，构建了一个包含多样环境和照度条件的非配对动漫风景数据集，以解决数据稀缺问题。为了利用多样照度条件固有的不确定性信息，受Relativistic GAN思想的启发，我们提出了一种数据相对论不确定性(DRU)框架。类比光的波粒二象性，我们的框架可解释地定义并量化了暗/亮样本的照度不确定性，并利用其动态调整目标函数，以在数据不确定性下重新校准模型学习。大量实验证明了DRU框架的有效性，通过训练多个版本的EnlightenGAN，产生了超越无法从数据不确定性视角学习的SOTA方法的感知和美学质量。我们希望我们的框架能为潜在的视觉和语言领域揭示一种以数据为中心的学习新范式。代码已公开。