SCRNet：一种基于 Retinex 结构并受空间一致性引导的低光照增强模型
计算机视觉与模式识别
2023-05-16 v1
摘要
低光照条件下捕获的图像常受诸多挑战困扰，包括对比度下降、噪声增加、细节丢失与色彩还原不自然。这些因素会显著阻碍目标检测与图像分割等计算机视觉任务的性能。因此，提升低光照图像质量对计算机视觉领域的实际应用至关重要。为有效应对这些挑战，我们提出一种新颖的低光照图像增强模型，称为空间一致性 Retinex 网络（SCRNet），其利用基于 Retinex 的结构并受空间一致性原理引导。具体而言，受空间一致性原理启发，我们所提模型融合了通道级、语义级与纹理级三个层次的一致性。这些一致性层次使模型能自适应增强图像特征，确保更准确且视觉愉悦的结果。在多个低光照图像数据集上的大量实验评估表明，所提 SCRNet 优于现有 SOTA 方法，凸显了其作为低光照图像增强有效方案的潜力。
引用
@article{arxiv.2305.08053,
title = {SCRNet: a Retinex Structure-based Low-light Enhancement Model Guided by Spatial Consistency},
author = {Miao Zhang and Yiqing Shen and Shenghui Zhong},
journal= {arXiv preprint arXiv:2305.08053},
year = {2023}
}