HiLLIE：面向低光图像增强的人机协同训练
计算机视觉与模式识别
2025-05-06 v1
摘要
在低光图像增强 (LLIE) 中，开发有效的方法以生成与人类对高质量、光照良好图像的视觉偏好高度一致的增强结果，仍然是一个挑战。在本文中，我们提出了一种人机协同的 LLIE 训练框架，通过迭代训练阶段提高无监督 LLIE 模型输出的视觉质量，命名为 HiLLIE。在每个阶段，我们通过对增强输出进行高效的视觉质量标注，将人类指导引入训练过程。随后，我们采用一个定制的图像质量评估 (IQA) 模型来学习所获标签中编码的人类视觉偏好，然后利用该模型指导增强模型的训练过程。由于每个阶段只需要少量的成对排序标注，我们的方法不断提高 IQA 模型模拟人类对增强输出进行视觉评估的能力，从而产生视觉上吸引人的 LLIE 结果。大量实验表明，我们的方法在定量和定性性能方面都显著提高了无监督 LLIE 模型的性能。代码和收集的排序数据集将在 https://github.com/LabShuHangGU/HiLLIE 上提供。
引用
@article{arxiv.2505.02134,
title = {HiLLIE: Human-in-the-Loop Training for Low-Light Image Enhancement},
author = {Xiaorui Zhao and Xinyue Zhou and Peibei Cao and Junyu Lou and Shuhang Gu},
journal= {arXiv preprint arXiv:2505.02134},
year = {2025}
}