基于 Retinex 算法展开与调节的低光照图像增强
计算机视觉与模式识别
2022-02-16 v2 图像与视频处理
摘要
受近期进展启发，深度学习技术已被广泛应用于低光照图像增强（LIE）问题。其中，基于 Retinex 理论的方法多遵循分解-调节流程，因其物理解释与良好性能而占据重要地位。然而，当前基于 Retinex 的深度学习研究仍不充分，忽视了传统方法中的诸多有用经验。此外，调节步骤或采用简单图像处理技术，或通过复杂网络完成，二者在实践中均不尽如人意。为解决这些问题，我们提出一种针对 LIE 问题的新深度学习框架。该框架包含受算法展开启发的分解网络，以及同时考虑全局亮度与局部亮度敏感度的调节网络。借助算法展开，可从数据学习的隐式先验与传统方法借鉴的显式先验均可嵌入网络，有助于更好的分解。同时，对全局与局部亮度的考量可指导设计简单而有效的调节网络模块。此外，为避免手动调参，我们还提出一种自监督微调策略，总能保证良好性能。在一系列典型 LIE 数据集上的实验，从定量与视觉上均证明了所提方法相较现有方法的有效性。
引用
@article{arxiv.2202.05972,
title = {Low-light Image Enhancement by Retinex Based Algorithm Unrolling and Adjustment},
author = {Xinyi Liu and Qi Xie and Qian Zhao and Hong Wang and Deyu Meng},
journal= {arXiv preprint arXiv:2202.05972},
year = {2022}
}