LoopExpose：一种用于任意长度曝光校正的无监督框架
计算机视觉与模式识别
2025-11-11 v1
摘要
曝光校正对于在挑战性光照条件下增强图像质量至关重要。虽然监督学习在该领域取得了显著进展，但其依赖大规模标记数据集，而在实际场景中难以获得。为此，我们提出一种称为LoopExpose的基于伪标签的无监督方法，用于任意长度曝光校正。提出了一种嵌套循环优化策略，以解决曝光校正问题，其中校正模型和伪监督信息在两个层次框架中联合优化。具体而言，上层使用通过下层多曝光融合生成的伪标签训练校正模型。引入反馈机制，将校正后的图像输入到融合过程中，以细化伪标签，形成自强化的学习循环。鉴于灰度标定在曝光校正中的核心作用，本文引入亮度排序损失（Luminance Ranking Loss），以利用输入序列中相对灰度排序作为自监督约束。在不同基准数据集上的大量实验表明，LoopExpose在曝光校正和融合性能方面均表现优异，优于现有方法中最先进的无监督技术。代码已公开于https://github.com/FALALAS/LoopExpose。
引用
@article{arxiv.2511.06066,
title = {LoopExpose: An Unsupervised Framework for Arbitrary-Length Exposure Correction},
author = {Ao Li and Chen Chen and Zhenyu Wang and Tao Huang and Fangfang Wu and Weisheng Dong},
journal= {arXiv preprint arXiv:2511.06066},
year = {2025}
}