基于Retinex分解的零样本低光照图像增强
计算机视觉与模式识别
2023-11-07 v1 图形学
摘要
两方面的困难使低光照图像增强成为一项具有挑战性的任务：其一，它不仅要考虑亮度恢复，还需同时兼顾图像对比度、图像去噪与色彩失真问题；其二，现有低光照增强方法的效果依赖于成对或非成对训练数据，泛化性能较差。为解决这些难题，本文提出一种基于学习的零样本低光照增强Retinex分解新方法，称为ZERRINNet。为此，我们首先设计了N-Net网络，并结合噪声损失项，通过估计低光照图像的噪声来对其去噪。此外，RI-Net用于估计反射分量与光照分量，并且为解决色彩失真与对比度问题，我们使用纹理损失项与分段平滑损失对反射分量和光照分量进行约束。最后，我们的方法是一种不受成对与非成对数据集训练数据影响的零参考增强方法，因此泛化性能大幅提升，文中我们利用自制真实低光照数据集以及人脸检测、目标识别与实例分割等先进视觉任务对其进行了有效验证。我们在大量公开数据集上进行了对比实验，结果表明本方法性能相较于当前最先进方法具有竞争力。代码见：https://github.com/liwenchao0615/ZERRINNet
引用
@article{arxiv.2311.02995,
title = {Zero-Shot Enhancement of Low-Light Image Based on Retinex Decomposition},
author = {Wenchao Li and Bangshu Xiong and Qiaofeng Ou and Xiaoyun Long and Jinhao Zhu and Jiabao Chen and Shuyuan Wen},
journal= {arXiv preprint arXiv:2311.02995},
year = {2023}
}
备注
16 pages, 66 figures, TCSVT