基于三重物理约束的低光图像增强网络 TPCNet
计算机视觉与模式识别
2025-12-02 v2 光学
摘要
低光图像增强是计算机视觉中的一个重要任务，用于提高图像对比度并降低色彩偏差和噪声的影响。许多现有的可解释深度学习算法利用 Retinex 理论作为模型设计的基础。然而，之前的基于 Retinex 的算法将反射物视为理想的 Lambertian 面积，忽略了镜面反射的建模过程，并在图像空间中构建物理约束，限制了模型的泛化能力。为解决此问题，我们保留了镜面反射系数，并基于 Kubelka-Munk 理论重新构建原始物理约束，从而在照明、反射和探测之间构建约束关系，称为三重物理约束（TPC）理论。基于该理论，在模型的特征空间中构建物理约束，获得了 TPC 网络（TPCNet）。全面的定量和定性基准测试以及消融实验确认，这些约束在不引入新参数的情况下有效提升了性能指标和视觉质量，表明 TPCNet 在 10 个数据集上超越了其他最先进的方法。
引用
@article{arxiv.2511.22052,
title = {TPCNet: Triple physical constraints for Low-light Image Enhancement},
author = {Jing-Yi Shi and Ming-Fei Li and Ling-An Wu},
journal= {arXiv preprint arXiv:2511.22052},
year = {2025}
}