DPEC：用于提升低光图像清晰度的双路径误差补偿方法
计算机视觉与模式识别
2025-03-18 v5 人工智能
摘要
对于低光图像增强任务，基于深度学习的算法已显示出优于传统方法的优势和效果。然而，这些方法主要基于 Retinex 理论，往往忽视输入图像中的噪声和颜色失真，导致增强结果中噪声放大和局部颜色失真显著。为此，我们提出了双路径误差补偿 (Dual-Path Error Compensation, DPEC) 方法，通过保留局部纹理细节来恢复全局图像亮度而不放大噪声，从而在低光条件下提高图像质量。DPEC 包含精确的像素级误差估计以捕捉细微差异，并采用独立的去噪机制防止噪声放大。我们引入 HIS-Retinex loss 来指导 DPEC 的训练，确保增强后图像的亮度分布与真实世界条件一致。为在保持计算速度和资源效率的同时全面理解全局上下文，我们将 VMamba 架构集成到其背板中。综合的定量和定性实验结果表明，该算法在低光图像增强方面显著优于最先进的方法。代码已公开发布于 https://github.com/wangshuang233/DPEC。
引用
@article{arxiv.2407.09553,
title = {DPEC: Dual-Path Error Compensation Method for Enhanced Low-Light Image Clarity},
author = {Shuang Wang and Qianwen Lu and Boxing Peng and Yihe Nie and Qingchuan Tao},
journal= {arXiv preprint arXiv:2407.09553},
year = {2025}
}