通过跨图像解耦增强真实世界低光照图像
图像与视频处理
2022-07-11 v2 计算机视觉与模式识别
摘要
低光照条件下捕获的图像存在低可见度与多种成像伪影(如真实噪声)。现有有监督增强算法需要大量像素对齐的训练图像对,实践中难以准备。尽管弱监督或无监督方法可在不使用配对训练图像的情况下缓解此类挑战,但由于缺乏对应监督,某些真实世界伪影会被错误地放大。本文中,我们创造性地采用未对齐的真实世界图像作为引导(其收集更为容易),而非使用完美对齐图像训练。具体而言,我们提出跨图像解耦网络(CIDN),从低光/正常光图像中分别提取跨图像亮度与图像特有内容特征。基于此,CIDN 可在特征域同时校正亮度并抑制图像伪影,大幅增强对像素偏移的鲁棒性。此外,我们收集了一个由带真实世界损坏的未对齐训练图像组成的新低光照图像增强数据集。实验结果表明,我们的模型在新建数据集与其他流行低光照数据集上均取得了最先进的性能。
引用
@article{arxiv.2201.03145,
title = {Enhancing Low-Light Images in Real World via Cross-Image Disentanglement},
author = {Lanqing Guo and Renjie Wan and Wenhan Yang and Alex Kot and Bihan Wen},
journal= {arXiv preprint arXiv:2201.03145},
year = {2022}
}