RSEND：基于Retinex的Squeeze and Excitation网络带有暗区检测用于高效低光图像增强
计算机视觉与模式识别
2025-04-25 v2 人工智能
机器学习
图像与视频处理
摘要
常在低光场景下捕获的图像常常 suffer 于低质量。以前的CNN-based深度学习方法常涉及使用Retinex理论，但大多数方法在更复杂的数据集（如LOL-v2）上表现不佳，同时消耗过多的计算资源。此外，这些方法需要在不同阶段进行复杂的训练，使过程更加耗时和繁琐。本文提出了更准确、更简洁且单阶段的Retinex理论框架，称为RSEND。RSEND首先将低光图像分为illumination map和reflectance map，然后捕获illumination map中重要细节并进行光照增强。随后，它细化增强后的灰度图像，并与reflectance map进行元素级矩阵乘法。通过对来自前一步的输出进行去噪，获得最终结果。在所有步骤中，RSEND利用Squeeze and Excitation网络更好地捕获细节。综合的定量和定性实验表明，我们的高效Retinex模型在不同数据集上显著优于其他CNN-based模型，在LOL-v2-real数据集上甚至超过了基于transformer的模型。
引用
@article{arxiv.2406.09656,
title = {RSEND: Retinex-based Squeeze and Excitation Network with Dark Region Detection for Efficient Low Light Image Enhancement},
author = {Jingcheng Li and Ye Qiao and Haocheng Xu and Sitao Huang},
journal= {arXiv preprint arXiv:2406.09656},
year = {2025}
}