面向低光图像增强的语义感知知识引导学习
计算机视觉与模式识别
2023-04-17 v1
摘要
低光图像增强（LLIE）研究如何改善光照并生成正常光照图像。现有大多数方法以全局统一的方式增强低光图像，未考虑不同区域的语义信息。缺乏语义先验时，网络容易偏离某区域的原始颜色。为解决此问题，我们提出一种新颖的语义感知知识引导框架（SKF），可辅助低光增强模型学习语义分割模型中所蕴含的丰富且多样的先验。我们着重从三个关键方面融入语义知识：在特征表示空间中明智地整合语义先验的语义感知嵌入模块、保持不同实例颜色一致性的语义引导颜色直方图损失，以及利用语义先验生成更自然纹理的语义引导对抗损失。我们的SKF可作为LLIE任务中的通用框架，颇具吸引力。大量实验表明，配备SKF的模型在多个数据集上显著优于基线，且SKF能很好地泛化至不同模型与场景。代码见 Semantic-Aware-Low-Light-Image-Enhancement。
引用
@article{arxiv.2304.07039,
title = {Learning Semantic-Aware Knowledge Guidance for Low-Light Image Enhancement},
author = {Yuhui Wu and Chen Pan and Guoqing Wang and Yang Yang and Jiwei Wei and Chongyi Li and Heng Tao Shen},
journal= {arXiv preprint arXiv:2304.07039},
year = {2023}
}
备注
Accepted to CVPR 2023