面向基于 RAW 图像的低光增强

在本文中，我们做出了首个基准努力，详述使用 RAW 图像进行低光增强的优越性，并开发了一种新颖的替代路径，以更灵活且实用的方式利用 RAW 图像。受对典型图像处理流程的充分考量启发，我们受启发开发了一个新的评估框架——因子化增强模型（FEM），该模型将 RAW 图像的属性分解为可度量的因子，并提供了一个工具，用于从经验上探索 RAW 图像的属性如何影响增强性能。经验基准结果表明，元数据中所记录的数据线性度（Linearity）与曝光时间（Exposure Time）起着最关键的作用，相较于以 sRGB 图像为输入的方法，其在多种度量上带来了显著的性能提升。基于基准结果所获得的洞见，我们开发了 RAW 引导的曝光增强网络（REENet），该网络以仅在训练阶段使用 RAW 图像的方式，在实际应用中的 RAW 图像优势与不可获取性之间做出权衡。REENet 将 sRGB 图像投影到线性 RAW 域，以利用对应的 RAW 图像施加约束，从而降低建模训练的难度。此后，在测试阶段，我们的 REENet 不依赖于 RAW 图像。实验结果不仅证明了 REENet 相对于最先进的基于 sRGB 的方法的优越性，也证明了 RAW 引导及所有组件的有效性。