低光图像增强的高级频率解缝范式
计算机视觉与模式识别
2024-09-04 v1
摘要
以往的低光图像增强（LLIE）方法虽然采用频率分解技术以解决低频（如照明恢复）和高频（如降噪）交织挑战的难题，但主要聚焦于开发专用且复杂的网络以实现更佳性能。相反，我们揭示了一种高级解缝范式足以以最小计算开销持续提升最先进的方法。利用图像拉普拉斯分解方案，我们提出一种新型低频一致性方法，促进更好的频率解缝优化。该方法无缝集成到各种模型中，如 CNN、Transformer 和基于流的扩散模型，显示出惊人的适应性。在五个流行基准测试中取得显著改进，针对六个最先进模型实现了最高达 7.68 dB 的 PSNR 提升。令人印象深刻的是，我们的方法仅增加 88K 参数，保持高效，为这一具备挑战性的低光图像增强领域树立了新标准。
引用
@article{arxiv.2409.01641,
title = {Unveiling Advanced Frequency Disentanglement Paradigm for Low-Light Image Enhancement},
author = {Kun Zhou and Xinyu Lin and Wenbo Li and Xiaogang Xu and Yuanhao Cai and Zhonghang Liu and Xiaoguang Han and Jiangbo Lu},
journal= {arXiv preprint arXiv:2409.01641},
year = {2024}
}
备注
Accepted to ECCV 2024, Github \url{https://github.com/redrock303/ADF-LLIE}