＜Trash to Treasure: Low-Light Object Detction via Decomposition-and-Aggeration＞论文阅读

Abstract

        低光场景的目标检测在过去几年引起了广泛的关注，一种主流且具有代表性的方案是引入增强子作为常规检测器的预处理。然而，由于增强子和探测子在任务目标上的差异，该范式无法发挥其最佳能力。在这项工作中，我们试图激发enhancer+detector的潜力。与现有的工作不同，我们扩展了基于光照的增强子(我们新设计的或现有的)作为场景分解模块，其去除的光照被用作检测器中的辅助，以提取有利于检测的特征。然后使用语义聚合模块在上下文空间中进一步整合多尺度场景相关的语义信息。实际上，我们构建的方案成功地将"垃圾" (即探测器中被忽略的照度)转化为探测器的"宝藏"。我们进行了大量的实验，以揭示我们相对于其他先进方法的优越性。如果该代码被接受，则该代码将公开。

Introduction

        正常光照下的目标检测已经取得了非常大的成功，而在低光下性能会急剧退化，这种退化可能是由于噪声、低对比度和光照不足等因素造成的，这些因素会降低物体的可见度，使其难以被检测。

Proposed Method

        在这一部分，我们通过分析enhancer和detector潜在的关系提出我们的motivation，然后基于Retinex模型构建了一个感知能力相关的enhancer，最终我们引入了一个聚合模块去增强特征表示。整体流程如图2所示。

Two Key Challenges of Enhancer+Detector

        和在正常光照下的目标检测不同，低光物体检测的主要挑战是可见度差的退化观测严重影响特征提取，导致精度急剧下降。常规的方式撒通过改善视觉质量去生成新的可见效果好的图片。它被广泛应用于 UG2+ 挑战赛（弱光人脸检测的里程碑）诞生的多个冠军解决方案中。其中，实验探索表明，采用视觉质量较差的经典增强器（例如MSRCR（Jobson，Rahman和Woodell 1997））比最新的高级增强器更有效。结论视觉质量越高越有利于检测不能得到满足