除法更优：面向低光照图像增强的亮度感知与细节敏感表示学习
计算机视觉与模式识别
2023-07-19 v1
摘要
低光照图像增强致力于改善对比度、调整可见性并恢复颜色与纹理的失真。现有方法通常更关注通过提升低光照图像亮度来改善可见性与对比度，而忽视了颜色与纹理恢复对高质量图像的重要性。针对上述问题，我们提出一种新颖的亮度与色度双分支网络，称为 LCDBNet，用于低光照图像增强，该网络将低光照图像增强划分为两个子任务，即亮度调整与色度恢复。具体而言，LCDBNet 由两条分支组成，分别为亮度调整网络（LAN）与色度恢复网络（CRN）。LAN 负责利用长程依赖与局部注意力关联学习亮度感知特征，而 CRN 专注于通过多级小波分解学习细节敏感特征。最后，设计融合网络将其学到的特征混合以生成视觉上令人满意的图像。在七个基准数据集上的大量实验验证了我们所提 LCDBNet 的有效性，结果表明相较于其他 SOTA（state-of-the-art，最先进）方法，LCDBNet 在多个有参考/无参考质量评价指标上均取得优越性能。我们的代码与预训练模型将公开。
引用
@article{arxiv.2307.09104,
title = {Division Gets Better: Learning Brightness-Aware and Detail-Sensitive Representations for Low-Light Image Enhancement},
author = {Huake Wang and Xiaoyang Yan and Xingsong Hou and Junhui Li and Yujie Dun and Kaibing Zhang},
journal= {arXiv preprint arXiv:2307.09104},
year = {2023}
}
备注
14 pages, 16 figures