SID-NISM：一种自监督低光图像增强框架
计算机视觉与模式识别
2020-12-17 v1
摘要
在低光条件下捕获图像时，图像常遭受低可见度问题，这不仅降低图像的视觉美感，还显著退化许多计算机视觉算法的性能。本文中，我们提出一种自监督低光图像增强框架（SID-NISM），其由两部分组成：自监督图像分解网络（SID-Net）与非线性光照饱和映射函数（NISM）。作为自监督网络，SID-Net 可在无任何先验训练或参考图像的情况下直接将给定低光图像分解为反射率、光照与噪声，这使其与现有监督学习方法大不相同。随后，分解所得光照图将由 NISM 增强。获得恢复的光照图后，即可相应实现增强。在多个公开具挑战性的低光图像数据集上的实验表明，经 SID-NISM 增强的图像更自然且意外伪影更少。
引用
@article{arxiv.2012.08707,
title = {SID-NISM: A Self-supervised Low-light Image Enhancement Framework},
author = {Lijun Zhang and Xiao Liu and Erik Learned-Miller and Hui Guan},
journal= {arXiv preprint arXiv:2012.08707},
year = {2020}
}
备注
11 pages, 9 figures