IGDNet：基于照明引导与去噪的零样本鲁棒曝光不足图像增强
计算机视觉与模式识别
2025-07-04 v1 图像与视频处理
摘要
当前用于恢复曝光不足图像的方法通常依赖于监督学习，需配对的曝光不足图像和 well-illuminated（光照充足）图像。然而，在实际场景中收集此类数据集往往不切实际。此外，这些方法可能导致过度增强，扭曲光照充足区域。为解决这些问题，我们提出 IGDNet，一种零样本增强方法，仅基于单张测试图像运行，无需导向性偏导或训练数据。IGDNet 具有强大的泛化能力，有效抑制噪声并恢复照明。该框架由分解模块和去噪模块组成。前者通过稠密连接网络将图像分解为照明和反射成分，而后者则采用照明引导的像素自适应校正方法用于增强非均匀照明区域。通过下采样生成噪声对并迭代细化以产生最终结果。在四个公开数据集上进行的大量实验表明，IGDNet 在复杂光照条件下显著改善了视觉质量。在 PSNR（20.41dB）和 SSIM（0.860dB）等指标上的定量结果显示，其优于 14 种最先进的无监督方法。代码将很快公开。
引用
@article{arxiv.2507.02445,
title = {IGDNet: Zero-Shot Robust Underexposed Image Enhancement via Illumination-Guided and Denoising},
author = {Hailong Yan and Junjian Huang and Tingwen Huang},
journal= {arXiv preprint arXiv:2507.02445},
year = {2025}
}
备注
Submitted to IEEE Transactions on Artificial Intelligence (TAI) on Oct.31, 2024