面向暗光下去雨与低光增强联合任务的双重退化表示
图像与视频处理
2024-06-18 v3 计算机视觉与模式识别
摘要
暗光中的雨对自动驾驶、监控系统与夜间摄影等真实应用的部署构成重大挑战。现有低光增强或去雨方法难以同时提亮低光条件并去除雨。此外，如“先去雨后低光增强”或反向的级联方法常导致疑难雨纹或过度模糊与过曝图像。为应对这些挑战，我们引入一种端到端模型LRIRNet，旨在处理真实场景中的低光增强与去雨。我们的模型含两个主要组件：双重退化表示网络(DDR-Net)与复原网络。DDR-Net借助双重退化损失引导训练，独立学习暗区亮度效应与亮区雨纹的退化表示。复原网络利用傅里叶细节引导(FDG)模块复原退化图像，该模块借助近无雨细节图像，聚焦频域与空域纹理细节以指导复原。此外，我们贡献了一个含合成与真实暗光带雨图像的数据集。大量实验表明，在合成与复杂真实场景中，我们的LRIRNet均优于现有方法。所有代码与数据集见\url{https://github.com/linxin0/Low_light_rainy}。
引用
@article{arxiv.2305.03997,
title = {Dual Degradation Representation for Joint Deraining and Low-Light Enhancement in the Dark},
author = {Xin Lin and Jingtong Yue and Sixian Ding and Chao Ren and Lu Qi and Ming-Hsuan Yang},
journal= {arXiv preprint arXiv:2305.03997},
year = {2024}
}