R2RNet：基于实低光到实正常光网络的低光照图像增强
计算机视觉与模式识别
2022-12-07 v2 图像与视频处理
摘要
在弱光照条件下捕获的图像会严重降低图像质量。解决低光照图像的一系列退化问题可有效提升图像的视觉质量及高层视觉任务的性能。本研究提出一种新颖的基于 Retinex 的实低光到实正常光网络（R2RNet）用于低光照图像增强，其包含三个子网络：Decom-Net、Denoise-Net 和 Relight-Net。这三个子网络分别用于分解、去噪、对比度增强与细节保留。我们的 R2RNet 不仅利用图像的空间信息提升对比度，还利用频率信息保留细节。因此，我们的模型对所有退化图像均取得了更鲁棒的结果。与多数此前在合成图像上训练的方法不同，我们收集了首个大规模真实世界低光/正常光配对图像数据集（LSRW 数据集）以满足训练需求，并使我们的模型在真实场景中具有更好的泛化性能。在公开数据集上的大量实验表明，我们的方法在定量与视觉上均优于现有的最先进方法。此外，我们的结果显示，在低光照条件下使用我们方法所得的增强结果可有效改善高层视觉任务（即人脸检测）的性能。我们的代码与 LSRW 数据集可在 https://github.com/abcdef2000/R2RNet 获取。
引用
@article{arxiv.2106.14501,
title = {R2RNet: Low-light Image Enhancement via Real-low to Real-normal Network},
author = {Jiang Hai and Zhu Xuan and Songchen Han and Ren Yang and Yutong Hao and Fengzhu Zou and Fang Lin},
journal= {arXiv preprint arXiv:2106.14501},
year = {2022}
}
备注
12 pages, 9 figures