基于无监督网络的低光照图像增强
计算机视觉与模式识别
2023-06-06 v1 图像与视频处理
摘要
有监督网络利用配对图像解决低光照增强任务。然而，收集种类繁多的低光照/干净配对图像十分繁琐，因为成像过程中场景需保持静止。本文提出一种使用上下文引导光照自适应归一化（CIN）的无监督低光照增强网络。受由粗到精方法启发，我们分两阶段解决该任务。阶段一中，像素放大器模块（PAM）用于生成粗估计，整体提升可见性与美学质量。阶段二利用 CIN 进一步增强图像的饱和暗像素与场景属性。不同的消融实验表明了 PAM 与 CIN 在提升图像可见质量方面的重要性。接下来，我们提出区域自适应单输入多输出（SIMO）模型，可从单张低光照图像生成多张增强图像。SIMO 的目标是让用户从增强图像集合中挑选自己喜欢的图像。对 SIMO 结果的人工主观分析显示，偏好图像的分布存在差异，印证了 SIMO 类模型的重要性。最后，我们提出低光照道路场景（LLRS）数据集，包含低光照与干净场景的非配对集合。与现有数据集不同，LLRS 中的干净与低光照场景均为真实场景，并使用固定相机参数拍摄。在公开数据集及所提数据集上的详尽对比表明，我们的模型结果在定量与定性上均优于先前最佳方法。
引用
@article{arxiv.2306.02883,
title = {Unsupervised network for low-light enhancement},
author = {Praveen Kandula and Maitreya Suin and A. N. Rajagopalan},
journal= {arXiv preprint arXiv:2306.02883},
year = {2023}
}