用于非配对低光图像增强的可逆网络
计算机视觉与模式识别
2021-12-28 v1 图像与视频处理
摘要
现有的非配对低光图像增强方法倾向于采用双向 GAN 框架，其中部署两个 CNN 生成器分别用于增强与退化。然而，此类数据驱动模型忽略了低光与正常光图像间转换的固有特性，导致训练不稳定与伪影。此处，我们提出利用可逆网络在非配对学习中前向过程增强低光图像、逆向退化正常光图像。生成的与真实的图像随后送入判别器进行对抗学习。除对抗损失外，我们设计多种损失函数以确保训练稳定性并保留更多图像细节。特别地，引入可逆性损失以缓解过曝光问题。此外，我们提出一种渐进式自引导增强过程用于低光图像，并取得了优于 SOTA 方法的性能。
引用
@article{arxiv.2112.13107,
title = {Invertible Network for Unpaired Low-light Image Enhancement},
author = {Jize Zhang and Haolin Wang and Xiaohe Wu and Wangmeng Zuo},
journal= {arXiv preprint arXiv:2112.13107},
year = {2021}
}