基于受控转换和无配对自条件化的低光图像增强自监督
摘要
实际世界中由成像设备捕获的低光图像常因可见性差而需要特定领域的增强以产出无伪影的输出，从而揭示细节。本文提出一种无配对低光图像增强网络，利用新颖的受控转换自监督和无配对自条件化策略。该模型从输入图像像素中学习所需的增强程度，这些程度来自无直接监督的无配对低光图像和良好光照图像。自监督基于对输入图像进行受控转换，并维持其增强 despite 该转换。自条件化是在无配对图像上进行模型训练的，使得其不会增强已增强的图像或良好光照的输入图像。所述方法通过在细节保持的同时抑制低梯度幅值来处理输入低光图像内在的噪声。此外，我们的噪声处理是自条件化的，通过防止对无噪声的良好光照图像进行降噪。基于低光图像增强特定属性的训练允许我们的模型在不显著牺牲性能的前提下避免配对监督。我们的自监督有助于一致的增强，而我们新颖的自条件化促进适当的增强。多个标准数据集上的广泛实验表明，我们的模型总体上在定量和主观方面均优于最先进的技术。消融研究显示了我们自监督和自条件化策略的有效性，以及相关损失函数。
引用
@article{arxiv.2503.00642,
title = {Self-supervision via Controlled Transformation and Unpaired Self-conditioning for Low-light Image Enhancement},
author = {Aupendu Kar and Sobhan K. Dhara and Debashis Sen and Prabir K. Biswas},
journal= {arXiv preprint arXiv:2503.00642},
year = {2025}
}
备注
Copyright 2024 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works