Deep Retinex Decomposition for Low-Light Enhancement（论文阅读笔记）

最新推荐文章于 2024-09-29 21:37:20 发布

原创

最新推荐文章于 2024-09-29 21:37:20 发布 · 2.4k 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #人工智能 #深度学习

本文介绍了一种基于深度学习的Retinex分解网络，用于低光照图像增强。研究构建了一个大规模的低/正常光图像数据集LOL，并提出结构感知的全变差约束以平滑光照图并保留主要结构。通过多尺度照明调整网络，实现了对低光照图像的自适应调节。此外，还利用反射率进行去噪处理。尽管在某些情况下表现出色，但在处理真实世界的噪声图像时仍存在色彩失真问题。

Deep Retinex Decomposition for Low-Light Enhancement（论文阅读笔记）

最近学习了一篇论文《Deep Retinex Decomposition for Low-Light Enhancement》，记录一下

概括

本文提出用自己制作的弱光/正常光图像对的弱光数据集，利用Retinex理论中的不同光照下的图片反射率是相同的这一特点让其共享反射率，并通过一个分解网络和一个增强网络对图片进行处理得到不错的结果。下面是详细介绍：

过去的研究

在过去的几十年里，许多研究者致力于解决微光图像增强的问题。许多技术已经发展，以提高主观和客观质量的微光图像。直方图均衡化(HE)及其变异体约束输出图像的直方图满足一定的约束条件。基于去雾的方法[5]利用了光照不足的图像和模糊环境下的图像之间的逆连接。
另一类微光增强方法是建立在reinex理论[12]基础上，假设观察到的彩色图像可以分解为反射率和光照。像早期的尝试一样，单尺度的Retinex (SSR)[11]通过高斯滤波约束光照贴图平滑。多尺度的Retinex (MSRCR)[10]扩展了SSR的多尺度高斯滤波器和颜色恢复。[23]提出了一种利用光阶误差测量保持照度自然度的方法。Fu等人[7]提出融合初始光照图的多个派生。SRIE[7]使用加权变分模型同时估计反射率和照度。操纵照明后，可以恢复目标结果。
另一方面，LIME[9]只在结构先验下估计光照，并使用反射作为最终的增强结果。也有基于retinx的联合微光增强和噪声去除方法[14,15]。
随着深度神经网络的快速发展，CNN在低级别图像处理中得到了广泛的应用，包括超分辨率[6,24,26,27]，去雨[16,21,25]等。Lore等人的[17]使用堆叠稀疏去噪自动编码器来同时进行微光增强和降噪(LLNet)。