面向低光图像增强的物理信息色彩感知变换学习方法

图像分解为深入理解视觉数据中的成像因素，显著性地增强了各种高级计算机视觉任务。在本工作中，我们提出了一种基于分解物理信息先验的低光图像增强方法。现有方法直接在 sRGB 色彩空间中将低光图像映射为正常光图像， suffer from color prediction inconsistency and high sensitivity to spectral power distribution (SPD) variations, resulting in unstable performance under diverse lighting conditions. 为解决这些挑战，我们引入了物理信息色彩感知变换 (Physics-informed Color-aware Transform, PiCat)，这是一种基于学习的框架，将低光图像从 sRGB 色彩空间转换到深层照明不变描述符，通过我们提出的色彩感知变换 (Color-aware Transform, CAT) 实现。这种变换使我们能够稳健地处理复杂的照明和 SPD 变化。此外，我们提出了内容-噪声分解网络 (Content-Noise Decomposition Network, CNDN)，通过减轻噪声和其他失真，来更好地对齐描述符分布以符合正常照明条件，从而有效地恢复低光图像中的内容表示。CAT 和 CNDN 共同充当物理先验，指导从低光域到正常光域的变换过程。我们提出的 PiCat 框架在五个基准数据集上均优于最先进的方法。