基于直方图均衡化先验的无监督低光图像增强

基于深度学习的低光图像增强方法通常需要大量成对训练数据，而在真实场景中捕获这些数据是不切实际的。近来，无监督方法被探索以摆脱对成对训练数据的依赖。然而，由于缺乏先验，它们在多样的真实场景中表现不稳定。为解决此问题，我们提出一种基于称为直方图均衡化先验（HEP）的有效先验的无监督低光图像增强方法。我们的工作受到一个有趣观察的启发：直方图均衡化增强图像的特征图与真实值相似。具体而言，我们构建 HEP 以提供丰富的纹理与亮度信息。将其嵌入至点亮模块（LUM）中，它有助于将低光图像分解为光照图与反射图，且反射图可被视为复原图像。然而，基于 Retinex 理论的推导揭示反射图被噪声污染。我们引入噪声解耦模块（NDM），借助无配对干净图像的可靠辅助，在反射图中解耦噪声与内容。在直方图均衡化先验与噪声解耦的引导下，我们的方法能恢复更精细的细节，并更善于在真实低光场景中抑制噪声。大量实验表明，我们的方法优于最先进的无监督低光增强算法，甚至可与最先进的有监督算法媲美。