无监督曝光校正
计算机视觉与模式识别
2025-07-24 v1
摘要
当前曝光校正方法面临三个挑战：需耗时人工配对数据标注、泛化能力有限，以及在低层次计算机视觉任务中性能下降。本文引入一种创新的无监督曝光校正(UEC)方法，消除对手动标注的需求，提升泛化能力，并增强低层次下游任务的性能。该模型通过仿真Image信号处理(ISP)管道中免费获取的配对数据进行训练。该方法无需昂贵的手动标注，从而最小化标注者个人风格偏差，提高泛化性。此外，我们构建了一个大规模辐射率校正数据集，专为强调曝光变化而设计，以促进无监督学习。我们还开发了一个保持图像细节的转换函数，虽仅使用约0.01%的有监督方法[12]参数，却表现出优于其的性能。我们的工作进一步探讨了曝光校正对下游任务的广泛影响，包括边缘检测，证明其在缓解不良曝光对低层次特征的不利影响方面的有效性。源代码和数据集已公开于https://github.com/BeyondHeaven/uec_code。
引用
@article{arxiv.2507.17252,
title = {Unsupervised Exposure Correction},
author = {Ruodai Cui and Li Niu and Guosheng Hu},
journal= {arXiv preprint arXiv:2507.17252},
year = {2025}
}