基于即插即用框架与顺序分解的 Retinex 图像增强
图像与视频处理
2023-02-20 v2 计算机视觉与模式识别
摘要
Retinex 模型是低光照图像增强最具代表性和最有效的方法之一。然而，Retinex 模型并未明确处理噪声问题，且增强结果不尽如人意。近年来，由于优异的性能，深度学习模型被广泛应用于低光照图像增强。然而，这些方法存在两个局限性：i) 只有在有大量标注数据可用时，深度学习才能实现理想的性能。然而，收集海量低光/正常光配对数据并非易事；ii) 深度学习是众所周知的黑盒模型 [1]。很难解释其内部工作机制并理解其行为。在本文中，采用顺序 Retinex 分解策略，我们设计了一个基于 Retinex 理论的即插即用框架，用于同时进行图像增强和去噪。同时，我们开发了一个基于卷积神经网络 (CNN) 的去噪器并将其融入我们提出的即插即用框架中，以生成反射分量。最终增强的图像通过结合光照和反射分量并应用伽马校正生成。所提出的即插即用框架可以促进事后和事前的可解释性。在不同数据集上的大量实验表明，我们的框架在图像增强和去噪方面均优于现有 SOTA 方法。
引用
@article{arxiv.2210.05436,
title = {Retinex Image Enhancement Based on Sequential Decomposition With a Plug-and-Play Framework},
author = {Tingting Wu and Wenna Wu and Ying Yang and Feng-Lei Fan and Tieyong Zeng},
journal= {arXiv preprint arXiv:2210.05436},
year = {2023}
}