用于低光照图像增强的潜在解耦
计算机视觉与模式识别
2024-08-13 v1
摘要
许多基于学习的低光照图像增强(LLIE)算法都基于Retinex理论。然而，此类模型中的Retinex分解技术会引入破坏，限制了其增强性能。在本文中，我们提出了一种用于低光照视觉任务的基于潜在解耦的增强网络(LDE-Net)。潜在解耦模块在潜在空间中对输入图像进行解耦，使得解耦后的光照分量和反射分量中不残留破坏。对于LLIE任务，我们设计了一个内容感知嵌入(CAE)模块，利用内容特征来指导光照分量的增强。对于下游任务(如夜间无人机跟踪和低光照目标检测)，我们基于潜在解耦框架开发了一个有效的轻量级增强器。全面的定量和定性实验表明，我们的LDE-Net在各种LLIE基准测试中显著优于最先进的方法。此外，将我们的框架应用于下游任务所取得的优异结果也证明了我们潜在解耦设计的实用性。
引用
@article{arxiv.2408.06245,
title = {Latent Disentanglement for Low Light Image Enhancement},
author = {Zhihao Zheng and Mooi Choo Chuah},
journal= {arXiv preprint arXiv:2408.06245},
year = {2024}
}