利用深度补偿展开网络增强低光照光场图像
计算机视觉与模式识别
2024-06-27 v3 图像与视频处理
摘要
本文提出一种新颖且可解释的端到端学习框架，称为深度补偿展开网络(DCUNet)，用于恢复低光照条件下捕获的光场(LF)图像。DCUNet 采用多阶段架构设计，以数据驱动方式模拟求解逆成像问题的优化过程。该框架利用中间增强结果估计光照图，随后将其用于展开过程以产生新的增强结果。此外，DCUNet 在每个优化阶段包含一个内容关联的深度补偿模块，以抑制噪声和光照图估计误差。为充分挖掘并利用光场图像的独特特性，本文提出一种伪显式特征交互模块，全面利用光场图像中的冗余信息。在仿真与真实数据集上的实验结果表明，我们的 DCUNet 在定性与定量上均优于当前最优方法。而且，DCUNet 更好地保留了增强后光场图像的基本几何结构。代码将公开于 https://github.com/lyuxianqiang/LFLL-DCU。
引用
@article{arxiv.2308.05404,
title = {Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network},
author = {Xianqiang Lyu and Junhui Hou},
journal= {arXiv preprint arXiv:2308.05404},
year = {2024}
}