通过特征域适应学习观察低光照图像
计算机视觉与模式识别
2023-12-22 v3
摘要
得益于原始数据的优势，原始低光照图像增强 (LLIE) 取得了比 sRGB 域增强方法好得多的性能。然而，从噪声到干净和从原始到 sRGB 映射之间的歧义可能会误导单阶段增强网络。双阶段网络通过解耦这两种映射避免了歧义，但通常具有较高的计算复杂度。为了解决这个问题，我们提出了一种由特征域适应 (FDA) 赋能的单阶段网络，以在原始 LLIE 中解耦去噪和颜色映射任务。去噪编码器由干净的原始图像监督，然后通过 FDA 模块将去噪后的特征适应于颜色映射任务。我们提出了一种 Lineformer 作为 FDA，它能够以较少的行缓冲区（对基于行的成像过程友好）很好地探索全局和局部相关性。在推理期间，原始监督分支被移除。通过这种方式，我们的网络结合了双阶段增强过程的优势和单阶段推理的效率。在四个基准数据集上的实验表明，我们的方法以更少的计算成本（两阶段方法 DNF 的 60% FLOPs）实现了最先进的性能。我们的代码将在本工作被接受后发布。
引用
@article{arxiv.2312.06723,
title = {Learning to See Low-Light Images via Feature Domain Adaptation},
author = {Qirui Yang and Qihua Cheng and Huanjing Yue and Le Zhang and Yihao Liu and Jingyu Yang},
journal= {arXiv preprint arXiv:2312.06723},
year = {2023}
}