基于混合先验引导深度传播的低曝光图像校正
计算机视觉与模式识别
2019-07-18 v1
摘要
提升低曝光图像的视觉质量是多媒体与计算机视觉诸多领域广泛关注的任务。现有多数方法往往难以生成具有适当亮度与丰富细节的高质量结果。为解决这些问题，我们在本工作中开发了一种新颖框架，融合来自物理原理的知识与来自数据的隐式分布，以求解低曝光图像校正任务。更具体地，我们提出一个新视角，将该任务表述为带有先进混合先验的的能量启发模型。我们精心设计了一个由混合先验引导的传播过程，用于同时将反射率与光照传播至期望结果。我们进行了大量实验以验证融合底层原理（即带知识）与分布（即来自数据）作为引导深度传播的必要性。大量低曝光图像校正实验结果表明，我们所提方法在主观与客观评估上均优于当前最优（state-of-the-art）方法。此外，我们执行了人脸检测任务以进一步验证低曝光图像校正的自然性与实用价值。而且，我们将该方法应用于单图像去雾，其实验结果进一步证明了其优越性。
引用
@article{arxiv.1907.07408,
title = {Underexposed Image Correction via Hybrid Priors Navigated Deep Propagation},
author = {Risheng Liu and Long Ma and Yuxi Zhang and Xin Fan and Zhongxuan Luo},
journal= {arXiv preprint arXiv:1907.07408},
year = {2019}
}
备注
Submitted to IEEE Transactions on Neural Networks and Learning Systems (TNNLS). Project page: http://dutmedia.org/HPNDP/