基于零参考深度曲线估计的低光照图像增强学习方法
计算机视觉与模式识别
2021-03-02 v1
摘要
本文提出一种新方法——零参考深度曲线估计（Zero-DCE），将光照增强表述为利用深度网络进行图像特定曲线估计的任务。我们的方法训练一个轻量级深度网络 DCE-Net，以估计像素级高阶曲线，从而对给定图像进行动态范围调整。该曲线估计专门针对像素值范围、单调性和可微性而设计。Zero-DCE 的吸引力在于其对参考图像的宽松假设，即训练过程中不需要任何配对甚至非配对数据。这是通过一组精心设计的无参考损失函数实现的，这些函数隐式地衡量增强质量并驱动网络的学习。尽管方法简单，我们表明它能很好地泛化到多种光照条件。我们的方法高效，因为图像增强可通过直观且简单的非线性曲线映射实现。我们进一步提出 Zero-DCE 的加速轻量版本 Zero-DCE++，其利用仅含 10K 参数的微小网络。Zero-DCE++ 具有快速推理速度（在单 GPU/CPU 上对大小为 1200*900*3 的图像分别为 1000/11 FPS），同时保持 Zero-DCE 的增强性能。在各种基准上的大量实验从定性和定量上证明了我们的方法优于最先进（SOTA）方法的优势。此外，还讨论了我们的方法在暗光下人脸检测中的潜在益处。源代码将在 https://li-chongyi.github.io/Proj_Zero-DCE++.html 公开。
引用
@article{arxiv.2103.00860,
title = {Learning to Enhance Low-Light Image via Zero-Reference Deep Curve Estimation},
author = {Chongyi Li and Chunle Guo and Chen Change Loy},
journal= {arXiv preprint arXiv:2103.00860},
year = {2021}
}
备注
This work is an extension of our earlier conference version arXiv:2001.06826 (Zero-DCE) that has appeared in CVRP2020. This paper was accepted by TPAMI