用于低光图像增强的深度学习上下文敏感分解方法

提升低光图像质量在许多图像处理与多媒体应用中起着非常重要的作用。近年来，多种深度学习技术被发展以应对这一挑战性任务。一个典型框架是同时估计光照与反射率，但它们忽视了封装在特征空间中的场景级上下文信息，导致诸多不良结果，如细节丢失、颜色不饱和、伪影等。为解决这些问题，我们开发了一种新的上下文敏感分解网络架构，以利用空间尺度上的场景级上下文依赖关系。更具体地，我们构建了包含反射率与光照估计网络的两流估计机制。我们设计了一种新颖的上下文敏感分解连接，通过结合物理原理来桥接两流机制。进一步构建了空间变化光照引导，以实现光照分量的边缘感知平滑特性。根据不同训练模式，我们构建了CSDNet（成对监督）与CSDGAN（非成对监督）以充分评估我们所设计的架构。我们在七个测试基准上测试了我们的方法并进行大量分析与评估实验。得益于我们设计的上下文敏感分解连接，我们成功实现了优异的增强结果，充分表明了相对于现有最先进方法的优越性。最后，考虑到对高效率的实际需求，我们通过减少通道数开发了轻量版CSDNet（命名为LiteCSDNet）。进一步，通过为这两个分量共享一个编码器，我们获得了更轻量的版本（简称SLiteCSDNet）。SLiteCSDNet仅含0.0301M参数却达到与CSDNet几乎相同的性能。