基于非局域Retinex的变分模型及其深度展开版本用于低光图像增强
计算机视觉与模式识别
2025-08-07 v2
摘要
在低光条件下捕获的图像在许多应用中存在显著限制，因为恶劣的照明会遮蔽细节、降低对比度并隐藏噪声。去除照明效应并提升此类图像的质量对于许多任务（如图像分割和目标检测）至关重要。本文提出了一种基于Retinex分解为照明、反射和噪声三个分量的低光图像增强变分方法。应用颜色校正预处理步骤到低光图像上，将其作为分解的观测输入。此外，我们的模型集成了一种新型非局域梯度型保真项，用于保留结构细节。此外，我们提出了一个自动gamma校正模块。建立在所提出变分方法之上，我们通过引入其深度展开版本来扩展该模型，其中可学习网络取代 proximal算子。我们提出了跨注意力机制，用于捕获反射的非局域先验和非局域梯度约束中的长程依赖。实验结果表明，这两种方法在不同数据集上与最新和最先进的技术相比较均表现出色。特别是尽管不依赖学习策略，变分模型在视觉上以及在质量指标方面均优于大多数深度学习方法。
引用
@article{arxiv.2504.07810,
title = {Nonlocal Retinex-Based Variational Model and its Deep Unfolding Twin for Low-Light Image Enhancement},
author = {Daniel Torres and Joan Duran and Julia Navarro and Catalina Sbert},
journal= {arXiv preprint arXiv:2504.07810},
year = {2025}
}