通过定制化可学习先验增强低光照图像增强器

深度神经网络在提升低光照图像亮度并消除噪声方面取得了显著进展。然而，大多数现有方法启发式地构建端到端映射网络，忽视了图像增强任务的内在先验，缺乏透明性与可解释性。尽管已有一些展开式解决方案来缓解这些问题，但它们依赖于提供模糊且隐式先验的近端算子网络。在本工作中，我们提出一种低光照图像增强范式，探索定制化可学习先验的潜力，以提升深度展开范式的透明性。受掩码自编码器（MAE）强大特征表示能力的启发，我们定制了基于 MAE 的照度与噪声先验，并从两个角度重新开发：1) \textbf{结构流}：我们从正常光照图像训练 MAE 至其照度属性，然后将其嵌入展开架构的近端算子设计中；以及 2) \textbf{优化流}：我们从正常光照图像训练 MAE 至其梯度表示，然后将其用作正则化项以约束模型输出中的噪声。这些设计提升了模型的可解释性与表示能力。在多个低光照图像增强数据集上的大量实验证明了我们所提范式相对于最先进方法的优越性。代码见 https://github.com/zheng980629/CUE。