基于 illumination guidance 的编码器-解码器网络低光图像增强
计算机视觉与模式识别
2025-07-21 v1
摘要
本文提出一种新型深度学习框架用于低光图像增强,称为带 illumination guidance 的编码器-解码器网络 (Encoder-Decoder Network with Illumination Guidance, EDNIG)。在 U-Net 架构基础上,EDNIG 将由 Bright Channel Prior (BCP) 派生的 illumination map 作为指导输入集成进网络。该 illumination guidance 有助于网络聚焦于欠曝区域,有效引导增强过程。为进一步提升模型的表征能力,引入空域金字塔池化 (Spatial Pyramid Pooling, SPP) 模块以提取多尺度上下文特征,以更好地处理多样化光照条件。此外,采用 Swish 激活函数确保训练期间梯度传播更平滑。EDNIG 在生成对抗网络 (GAN) 框架下优化,采用由对抗损失、像素级均方误差 (MSE) 和感知损失组成的复合损失函数。实验结果表明,EDNIG 在定量指标与视觉质量方面与最先进的方法持续竞争,同时保持较低的模型复杂度,显示其适用于实际应用。该工作源代码已公开于 https://github.com/tranleanh/ednig
引用
@article{arxiv.2507.13360,
title = {Low-Light Enhancement via Encoder-Decoder Network with Illumination Guidance},
author = {Le-Anh Tran and Chung Nguyen Tran and Ngoc-Luu Nguyen and Nhan Cach Dang and Jordi Carrabina and David Castells-Rufas and Minh Son Nguyen},
journal= {arXiv preprint arXiv:2507.13360},
year = {2025}
}
备注
6 pages, 3 figures, ICCCE 2025