基于参考引导的深度强化学习实现个人化低光图像增强
计算机视觉与模式识别
2025-06-30 v1 图像与视频处理
摘要
低光图像增强主要面临两个挑战: 1) 不同条件下的低光图像差异显著; 2) 增强程度受主观偏好和用户意图的影响。为此, 我们提出了 ReF-LLE, 一种新的个人化低光图像增强方法, 其在傅里叶频域中运行并采用深度强化学习。ReF-LLE 是首次将深度强化学习引入该领域。在训练阶段, 我们引入一种零参考图像评估策略, 对增强后的图像进行评分, 提供奖励信号, 指导模型有效处理不同程度的低光条件。在推理阶段, ReF-LLE 采用基于傅里叶域中零频分量(代表整体照明水平)的个人化自适应迭代策略, 该策略使模型能够根据用户提供的参考图像的照明分布, 对低光图像进行自适应调整, 以实现与之匹配的个人化增强结果。在基准数据集上的大量实验表明, ReF-LLE 在个人化低光图像增强方面超越了当前的 SOTA 方法, 实现了卓越的感知质量和适应性。
引用
@article{arxiv.2506.22216,
title = {ReF-LLE: Personalized Low-Light Enhancement via Reference-Guided Deep Reinforcement Learning},
author = {Ming Zhao and Pingping Liu and Tongshun Zhang and Zhe Zhang},
journal= {arXiv preprint arXiv:2506.22216},
year = {2025}
}
备注
6 pages, 8 figures, accepted by ICME2025