面向低光视觉的嵌套场景建模与协同架构搜索学习
计算机视觉与模式识别
2021-12-10 v1
摘要
在低光场景下捕获的图像通常遭受严重退化，包括低能见度、色偏和强噪声等。这些因素不仅影响图像质量，还会降低下游低光视觉（LLV）应用的性能。人们提出了多种深度学习方法来增强低光图像的视觉质量。然而，这些方法大多依赖于大量的架构工程来获得合适的低光模型，并且通常承受着高计算负担。此外，将这些增强技术扩展到处理其他低光视觉任务仍然具有挑战性。为了部分解决上述问题，我们建立了受 Retinex 启发的展开式架构搜索（RUAS），这是一个通用的学习框架，它不仅能处理低光增强任务，还具有处理其他更具挑战性的下游视觉应用的灵活性。具体来说，我们首先建立了一个嵌套优化公式，并结合展开策略，以探索一系列低光视觉任务的底层原理。此外，我们构建了一个可微策略，为 RUAS 协同搜索特定的场景和任务架构。最后但同样重要的是，我们展示了如何将 RUAS 应用于低级和高级低光视觉应用（例如，增强、检测和分割）。大量实验验证了 RUAS 的灵活性、有效性和效率。
引用
@article{arxiv.2112.04719,
title = {Learning with Nested Scene Modeling and Cooperative Architecture Search for Low-Light Vision},
author = {Risheng Liu and Long Ma and Tengyu Ma and Xin Fan and Zhongxuan Luo},
journal= {arXiv preprint arXiv:2112.04719},
year = {2021}
}
备注
Submitted to IEEE TPAMI. Code is available at https://github.com/vis-opt-group/RUAS