面向低光图像增强的双重退化启发的深度展开网络
计算机视觉与模式识别
2025-01-03 v2 图像与视频处理
摘要
尽管基于深度增强模型的低光图像增强已取得巨大进展，但大多数方法主要通过精心设计的黑盒网络来提升增强性能，很少探究增强模型的物理意义。针对此问题，我们提出一种双重退化启发(degrAdation-inSpired)的深度展开网络，称为 DASUNet，用于低光图像增强。具体而言，我们构建双重退化模型(DDM)以显式模拟低光图像的劣化机制。该模型通过考虑亮度与色度空间之间退化的特异性，学习两种不同的图像先验。为使所提方案可解，我们设计了一种交替优化求解方法来求解所提 DDM。进一步，将该求解方案展开为指定的深度网络，模仿迭代更新规则，从而形成 DASUNet。基于两个空间的不同特异性，我们设计了两个定制的 Transformer 模块来建模不同先验。此外，提出空间聚合模块(SAM)以增强两个退化模型的交互。在多个流行低光图像数据集上的大量实验验证了 DASUNet 相较于典型最先进(SOTA)低光图像增强方法的有效性。我们的源代码与预训练模型将公开可用。
引用
@article{arxiv.2308.02776,
title = {Dual Degradation-Inspired Deep Unfolding Network for Low-Light Image Enhancement},
author = {Huake Wang and Xingsong Hou and Chengcu Liu and Kaibing Zhang and Xiangyong Cao and Xueming Qian},
journal= {arXiv preprint arXiv:2308.02776},
year = {2025}
}