自监督低光照图像增强与去噪

本文提出一种基于深度学习的自监督低光照图像增强方法，该方法能够同时提升图像对比度并降低噪声，从而避免预处理或后处理去噪所带来的模糊。该方法包含两个深度子网络：图像对比度增强网络（ICE-Net）与再增强与去噪网络（RED-Net）。ICE-Net以低光照图像为输入并生成对比度增强图像。RED-Net以ICE-Net的结果与低光照图像为输入，能够同时对低光照图像进行再增强与去噪。两个网络均可仅使用低光照图像进行训练，这通过基于最大熵的Retinex（ME-Retinex）模型以及噪声独立分布的假设得以实现。在ME-Retinex模型中，引入了对反射图像的新约束：反射图像的最大通道与低光照图像的最大通道一致且其熵应最大，从而将Retinex模型中反射与光照的分解转化为非病态问题，并使ICE-Net能够以自监督方式训练。RED-Net的损失函数经过精心构造以在训练过程中分离噪声与细节，其基于如下思想：若噪声独立分布，经平滑滤波器（如均值滤波器）处理后，噪声部分的梯度应小于细节部分的梯度。通过定性与定量实验可证明所提方法的高效性。