基于非配对学习按需增强图像

低光图像增强具有不适定性，因为给定图像可能有许多增强版本，但近期研究侧重于从输入到某一增强版本建立确定性映射。相比之下，我们提出一种轻量化的单路径条件生成对抗网络（cGAN），在仅给定无对应关系的低光与正常光训练图像集合的情况下，学习从低光到正常光图像空间的一对多关系。通过将这一不适定问题表述为调制码学习任务，我们的网络学会以不同参考图像为条件从给定输入生成一组增强图像。因此，在每位用户提供少量偏好照片的情况下，我们的推理模型可轻松适配各种用户偏好。我们的模型在含噪与干净数据集上取得了与全监督方法相当的视觉与定量结果，同时比最先进的生成对抗网络（GANs）方法轻 6 到 10 倍。