低光图像问题中大气成分学习的半监督方法
计算机视觉与模式识别
2022-04-18 v1
摘要
环境光照条件在决定摄影设备图像的感知质量方面起着关键作用。一般而言,透射光不足与不理想的大气条件共同降低图像质量。若已知给定低光图像对应的期望环境因子,我们便可轻易恢复增强图像 \cite{b1}。典型深度网络执行增强映射而不探究光分布与颜色构成属性,这导致实践中缺乏图像实例自适应性能。另一方面,物理模型驱动方案受制于固有的分解需求与多目标最小化。此外,上述方法极少具备数据高效性或免于预测后调参。受上述问题影响,本研究提出一种利用无参考图像质量指标的半监督训练方法用于低光图像复原。我们引入经典雾分布模型 \cite{b2} 以探索给定图像的物理属性,从而学习大气成分的影响并最小化单一目标以完成复原。我们在六个广泛使用的低光数据集上验证了网络性能。实验表明所提研究达到了最先进或可比的性能。
引用
@article{arxiv.2204.07546,
title = {Semi-supervised atmospheric component learning in low-light image problem},
author = {Masud An Nur Islam Fahim and Nazmus Saqib and Jung Ho Yub},
journal= {arXiv preprint arXiv:2204.07546},
year = {2022}
}