面向完美效果: 构建基于 Retinex 的低光图像增强中的组件间相互纠正

在低光图像增强领域，基于 Retinex 的深度学习方法因其卓越的可解释性而受到广泛关注。这些方法将图像分解为独立的照明和反射率分量，并可分别对每个分量进行增强。实际上，实现照明和反射率分量的完美分解颇具挑战性，分解后仍存在残差。本文正式定义这些残差为组件间残差 (ICR)，而此概念在先前方法中常被严重低估。我们调查发现，ICR 不仅影响分解精度，还会导致增强后的分量偏离理想结果，从而降低最终合成图像质量。为解决此问题，我们提出了一种新的 Inter-correction Retinex 模型 (IRetinex)，以在分解和增强阶段缓解 ICR。在分解阶段，我们利用组件间残差消除模块减少照明和反射率分量之间的特征相似性。在增强阶段，我们利用两个分量之间的特征相似性来检测并减轻每个增强单元内的 ICR 影响。在三个低光基准数据集上的大量实验表明，通过减少 ICR，我们的方法在定性和定量上均优于当前最先进的技术。