Retinexformer：基于Retinex的单阶段Transformer低光照图像增强方法
计算机视觉与模式识别
2023-10-30 v3
摘要
在增强低光照图像时，许多深度学习算法基于Retinex理论。然而，Retinex模型未考虑隐藏在黑暗中或由提亮过程引入的退化。此外，这些方法通常需要繁琐的多阶段训练流程并依赖于卷积神经网络，在捕获长程依赖方面表现出局限性。本文中，我们构建了一个简单而有原则的基于Retinex的单阶段框架（ORF）。ORF首先估计光照信息以提亮低光照图像，然后恢复退化以产生增强图像。我们设计了光照引导Transformer（IGT），利用光照表示来指导具有不同光照条件区域的非局部交互建模。将IGT嵌入ORF，我们得到了我们的算法Retinexformer。全面的定量与定性实验表明，我们的Retinexformer在十三个基准上显著优于SOTA方法。用户研究及在低光照目标检测上的应用也揭示了我们方法的潜在实用价值。代码、模型和结果可在 https://github.com/caiyuanhao1998/Retinexformer 获取。
引用
@article{arxiv.2303.06705,
title = {Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement},
author = {Yuanhao Cai and Hao Bian and Jing Lin and Haoqian Wang and Radu Timofte and Yulun Zhang},
journal= {arXiv preprint arXiv:2303.06705},
year = {2023}
}
备注
ICCV 2023; The first Transformer-based method for low-light image enhancement