噪声自回归：一种无需任务相关数据即可增强低光图像的新学习范式

基于深度学习的低光图像增强（LLIE）是利用深度神经网络增强图像照度同时保持图像内容不变的任务。从训练数据的角度看，现有方法由以下三类数据之一驱动完成 LLIE 任务：成对数据、非成对数据和零参考数据。这些各类数据驱动的方法各有优势，例如基于零参考数据的方法对训练数据要求极低，且能满足许多场景下的人类需求。本文中，我们利用纯高斯噪声完成 LLIE 任务，进一步降低了对 LLIE 任务训练数据的要求，并可作为实际使用中的另一种替代方案。具体而言，我们提出无需访问任何任务相关数据的噪声自回归（NoiSER），仅通过学习一个配备实例归一化层的卷积神经网络，以随机噪声图像（每个像素为 $\mathcal{N}(0,\sigma^2)$）作为每个训练对的输入和输出，然后将低光图像输入训练好的网络以预测正常光图像。从技术上讲，其有效性的直观解释如下：1）自回归重建了输入图像相邻像素间的对比度；2）实例归一化层可自然修正输入图像的整体幅度/光照；3）每个像素的 $\mathcal{N}(0,\sigma^2)$ 假设在图像尺寸足够大时强制输出图像遵循著名的灰度世界假设。与当前可访问不同任务相关数据的 SOTA LLIE 方法相比，NoiSER 在增强质量上极具竞争力，且模型规模更小，训练和推理成本更低。此外，NoiSER 在缓解过曝和处理联合任务方面也表现出色。