用于低光照图像增强的 Retinex 启发展开与协同先验架构搜索
计算机视觉与模式识别
2020-12-11 v1
摘要
低光照图像增强在低层视觉领域起着非常重要的作用。近期工作已构建大量深度学习模型来解决该任务。然而，这些方法大多依赖显著的架构工程且计算负担高。本文提出一种称为 Retinex 启发展开与架构搜索（RUAS）的新方法，为真实场景中的低光照图像构建轻量且有效的增强网络。具体而言，基于 Retinex 规则，RUAS 首先建立模型刻画低光照图像的内在欠曝光结构，并将其优化过程展开以构建整体传播结构。随后通过设计一种协同的无参考学习策略，从紧凑搜索空间中发掘低光照先验架构，RUAS 能够获得性能优异的图像增强网络，其速度快且所需计算资源少。大量实验验证了我们的 RUAS 框架相对于近期提出的最先进方法的优越性。
引用
@article{arxiv.2012.05609,
title = {Retinex-inspired Unrolling with Cooperative Prior Architecture Search for Low-light Image Enhancement},
author = {Risheng Liu and Long Ma and Jiaao Zhang and Xin Fan and Zhongxuan Luo},
journal= {arXiv preprint arXiv:2012.05609},
year = {2020}
}