基于深度特征引导的基于熵驱动遗传优化的低光图像增强
计算机视觉与模式识别
2025-05-19 v1
摘要
图像增强方法常常关注像素级别信息，忽视语义特征。我们提出一种新颖的无监督、模糊化的图像增强框架，由NSGA-II算法引导，优化图像亮度、对比度和伽玛参数，以实现视觉质量与语义保真度之间的平衡。我们方法的核心是将预训练的深度神经网络用作特征提取器。为了找到最佳的增强设置，我们使用GPU加速的NSGA-II算法，在多个目标之间进行平衡，即增加图像熵、改进感知相似性和维持适当的亮度。我们进一步通过对遗传算法中Top候选者进行局部搜索来改进结果。该方法完全无需配对训练数据，因而在标签有限或噪声较大的领域中具有广泛适用性。定量上，该模型在所有无配对数据集上实现了极佳的性能，平均BRISQUE和NIQE得分为19.82和3.652。定性地，增强后的图像在阴影区域的可见性显著提高，保持了自然的对比度平衡，同时保留了更丰富的细节，未引起明显的伪影。这一工作为语义一致性至关重要的无监督图像增强开辟了新的方向。
引用
@article{arxiv.2505.11245,
title = {Diffusion-NPO: Negative Preference Optimization for Better Preference Aligned Generation of Diffusion Models},
author = {Fu-Yun Wang and Yunhao Shui and Jingtan Piao and Keqiang Sun and Hongsheng Li},
journal= {arXiv preprint arXiv:2505.11245},
year = {2025}
}
备注
Accepted to ICLR 2025