PIE：物理启发的低光照增强
计算机视觉与模式识别
2024-04-11 v1
摘要
在本文中，我们提出了一种用于低光照增强的物理启发对比学习范式，称为PIE。PIE主要解决三个问题：(i) 为了解决现有基于学习的方法通常使用严格像素对应图像对训练LLE模型的问题，我们消除了对像素对应配对训练数据的需求，转而使用未配对图像进行训练。(ii) 为了解决现有方法中对负样本的忽视及其生成不足的问题，我们将物理启发的对比学习引入LLE，并设计了曲线包方法来生成更合理的、紧密遵循底层物理成像原理的负样本。(iii) 为了克服现有方法对语义真值的依赖，我们提出了一个无监督区域分割模块，在确保区域亮度一致性的同时消除对语义真值的依赖。总体而言，所提出的PIE能够有效地从未配对的正/负样本中学习，并平滑地实现非语义区域增强，这与现有的LLE工作明显不同。除了PIE的新颖架构外，我们还探索了PIE在语义分割和人脸检测等下游任务上的增益。在易于获取的开放数据上进行训练及大量实验表明，我们的方法在六个独立的跨场景数据集上超越了SOTA的LLE模型。PIE运行速度快，在测试时具有合理的GFLOPs，使其易于在移动设备上使用。
引用
@article{arxiv.2404.04586,
title = {PIE: Physics-inspired Low-light Enhancement},
author = {Dong Liang and Zhengyan Xu and Ling Li and Mingqiang Wei and Songcan Chen},
journal= {arXiv preprint arXiv:2404.04586},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2112.06451