基于物理四重先验的零参考低光增强
计算机视觉与模式识别
2024-03-20 v1
摘要
理解照明条件并减少对监督的依赖是低光增强中的重要挑战。当前方法在训练时高度依赖数据且对照明特定的超参数敏感，限制了其处理未见情景的能力。本文提出一种新的零参考低光增强框架，仅能否正常光照图像上进行训练。为此，我们构思了一种受物理光传递理论启发的 illumination-invariant prior，用作正常图像与低光图像之间的桥梁。随后，我们开发了一种基于 prior-to-image 的框架，无需低光数据进行训练。在测试阶段，该框架能够将我们的 illumination-invariant prior 自动恢复为图像，从而实现低光增强。在该框架中，我们利用预训练的生成式扩散模型提升模型能力，引入旁路解码器处理细节失真，并提供轻量级版本以提升实用性。广泛的实验表明，本框架在各种场景下均表现出优越性能，同时具备良好的可解释性、鲁棒性和效率。代码已在项目主页公开：http://daooshee.github.io/QuadPrior-Website/。
引用
@article{arxiv.2403.12933,
title = {Zero-Reference Low-Light Enhancement via Physical Quadruple Priors},
author = {Wenjing Wang and Huan Yang and Jianlong Fu and Jiaying Liu},
journal= {arXiv preprint arXiv:2403.12933},
year = {2024}
}
备注
Accepted by CVPR-2024