代码解读——Retinex低光照图像增强（Deep Retinex Decomposition for Low-Light Enhancement）

最新推荐文章于 2025-10-12 22:15:15 发布

原创

最新推荐文章于 2025-10-12 22:15:15 发布 · 1.3w 阅读

174 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #深度学习 #tensorflow

本文详细解析了一篇2018年BMVC论文中的RetinexNet算法，该算法基于Retinex理论，通过DecomNet和RelightNet网络对图像进行反射和光照分量的分解与修正，实现低光照图像增强。虽然存在色彩失真的问题，但其网络结构轻量且效果良好。

今天带来一篇代码解读的文章，是2018年BMVC上的一篇暗光增强文章。个人觉得网络比较轻量并且能够取得还不错的效果。废话不多说，直接贴传送门：

文章地址：http://arxiv.org/abs/1808.04560

源码地址：https://github.com/weichen582/RetinexNet

文章基于Retinex理论，不懂的请戳这里：https://blog.youkuaiyun.com/lz0499/article/details/81154937

整体结构主要包括两个网络：DecomNet和RelightNet。DecomNet用于分解图片为反射分量和光照分量，RelightNet用于将光照分量修正，再与反射分量重建，得到修正后的图像。可参考下图：

其中，作者提到了在RelightNet中同时对反射分量进行去噪处理，但在代码中我没有明确看到这步操作，有知道的小伙伴可以评论区留言。

先来看DecomNet的网络构建部分。整体就是全卷积网络，具体看我代码注释。

def DecomNet(input_im, layer_num, channel=64, kernel_size=3):       #分解网络
    input_max = tf.reduce_max(input_im, axis=3, keepdims=True)
    input_im = concat([input_max, input_im])                          #选取RGB三通道中的最大值（亮度）进行堆叠，变成4通道，与最后一层卷积'recon_layer'相呼应
    with tf.variable_scope('DecomNet', reuse=tf.AUTO_REUSE):         #这里面创建的所有tensor都带有'DecomNet'
        conv = tf.layers.conv2d(input_im, channel, kernel_size * 3, padding='same', activation=None, name="shallow_feature_extraction")
        for idx in range(layer_num)