UNICE：训练通用图像对比度增强器
计算机视觉与模式识别
2025-07-24 v1
摘要
现有的图像对比度增强方法通常为特定任务（如曝光/过曝校正、低光照和逆光图像增强等）设计。然而，所学模型在不同任务之间，甚至同一任务的不同数据集之间表现出差劲的泛化性能。因此，探索是否可以学习一种用于各种对比度增强任务的通用和泛化模型具有重要意义。本文我们观察到，这些任务的共同关键因素在于需要进行曝光和对比度调整，这可以通过提供高动态范围（HDR）输入来实现。因此，我们收集了46,928张来自公开来源的HDR原始图像，并通过多曝光融合生成328,496张sRGB图像以构建多曝光序列（MES）及相应的伪sRGB基准图。随后，我们训练一个网络从单张sRGB图像生成MES，再训练另一个网络将生成的MES融合为增强图像。我们提出的方法，即通用图像对比度增强器（UNICE），无需昂贵的人工标注，却在不同任务以及同一任务内的不同数据集之间展现出显著优于现有图像对比度增强方法的强大泛化性能，甚至在多个无参考图像质量指标中超越了人工创建的基准图。数据集、代码和模型已提供于 https://github.com/BeyondHeaven/UNICE。
引用
@article{arxiv.2507.17157,
title = {UNICE: Training A Universal Image Contrast Enhancer},
author = {Ruodai Cui and Lei Zhang},
journal= {arXiv preprint arXiv:2507.17157},
year = {2025}
}