面向真实低光图像增强：基于 ISP 驱动的数据建模

深度神经网络 (DNN) 最近已成为低光图像增强 (LLIE) 的主要方法。然而，尽管取得了显著进展，但其输出在实际应用中仍可能出现噪声放大、白平衡错误或不自然的增强等问题。一个关键挑战是缺乏能够捕捉低光条件和成像管线复杂性的多样化大规模训练数据。本文提出一种新颖的图像信号处理 (ISP) 驱动数据合成管线，通过生成无限配对训练数据来解决上述问题。具体而言，本管线首先获取易于收集的高质量正常光图像，并通过反向 ISP 转换为 RAW 格式。随后在 RAW 域直接合成低光退化。 resulting data 随后通过一系列 ISP 步骤处理，包括白平衡调整、颜色空间转换、调色映射和伽玛校正，其中在每个步骤中引入受控变异。这拓宽了退化空间，增强了训练数据的多样性，使生成的数据能够捕捉广泛范围的退化及 ISP 管线固有的复杂性。为证明合成管线的有效性，我们使用包含仅卷积层、组归一化、GeLU 激活和卷积块注意力模块 (CBAMs) 的基础 UNet 模型进行大量实验。跨多个数据集的广泛测试显示，使用本数据合成管线训练的基础 UNet 模型能提供高保真度、视觉上令人满意的增强效果，超越了定量和定性上的现有 SOTA 方法。