Feb, 2020

自监督图像增强网络：仅用低光图像进行训练

PDF
TL;DR提出基于自监督学习的深度学习低光图像增强方法，通过基于信息熵理论和 Retinex 模型的最大熵 Retinex 模型，实现了对低光图像中亮度和反射性分离的简化，仅需分钟级别的培训即可获得图像增强，证明该方法达到了处理速度和效果方面的最新成果。
发现论文，激发创造
  • MSR-net: 使用深度卷积网络进行低光图像增强

    利用卷积神经网络和 Retinex 理论，基于低光照条件下图像对比度很低的事实，提出了一个低光照图像增强模型。通过实验，证明该模型在质量和量化方面比其他同类模型有优势。

    Nov, 2017

  • 渐进 Retinex: 低光图像增强互相增强的光照噪声感知网络

    本研究提出了一种基于 Retinex 框架和卷积神经网络的逐渐增强低光照下图像的方法，既抑制了图像噪声的干扰，又大大提高了计算效率。同时，提出了一种基于相机成像模型的图像合成策略，有效解决了训练数据不足的问题。实验结果表明了该方法优于现有的低光照增强方法。

    Nov, 2019

  • LLNet: 自然低光图像增强的深度自编码器方法

    在低光环境下，提出用基于深度自编码器的方法来增强和去噪图像以及适应动态环境，该方法可以在监视、监测和战术侦察等领域有很好的应用效果。

    Nov, 2015

  • 使用轻量级卷积神经网络快速改善非均匀照明图像

    本文提出一种新的轻量级卷积神经网络（5k 参数），用于处理各种颜色、曝光、对比度、噪点和伪影等问题，实现非均匀照明图像增强，并通过半监督的修复方法，结合新数据集进行训练。该模型可在实时环境下（50 fps）快速增强图片，有效处理非均匀照明图像。

    May, 2020

  • 低光照增强的深度 Retinex 分解

    该论文提出了一种基于深度学习的 Retinex 模型，可以更好地应对不同环境下光照不足的图像增强问题，通过红外辅助拍摄低光图像构建了一个 LOL（Low-Light）数据集，并使用其中的图像进行训练，实验结果表明该方法在增强低光图像质量方面具有很好的效果。

    Aug, 2018

  • 基于 Retinex 分解的零样本增强低光图像

    本文提出了一种基于学习的零参考低光增强方法，称为 ZERRINNet，通过利用 N-Net 网络、RI-Net 网络和纹理损失来解决低光图像增强中的亮度恢复、对比度、降噪和颜色失真问题，实现对训练数据的泛化性能的大幅提升。该方法经过在自制真实低光数据集和高级视觉任务上的有效验证，与当前最先进的方法相比具有竞争力的性能。其中，代码可在链接中获取。

    Nov, 2023

  • 基于 SNR-Aware Swin Transformer 的无监督低光图像增强技术

    本文提出了一种基于 Swin Transformer 的双分支网络，以信噪比先验图为指导，利用无监督学习构建优化目标，实现低光图像增强，并在实验中取得竞争性的结果。

    Jun, 2023

  • 语义引导的零样本低光图像 / 视频增强

    本文提出了一种基于语义引导的零样本低光增强网络，用于低光图像的实时检测和分割，并在基准数据集和低光视频上进行了广泛的实验，表明该模型优于先前的最新技术水平。

    Oct, 2021

  • 通过定制的可学习先验为低光图像增强器赋能

    本研究提出了一种低光图像增强范式，利用自定义的可学习先验来提高深度展开范式的透明度和解释性，通过 Masked Autoencoder（MAE）的特征表示能力定制了基于 MAE 的光照和噪声先验，并在多个低光图像增强数据集上的实验证明了该范式优于现有方法。

    Sep, 2023

  • 启迪万物：当图像分割模型遇上低光图像增强

    本论文提出了 Enlighten-anything 方法，结合 SAM 分割的语义意图和低光图像，采用无监督学习的零样本学习方法来改善低光图像的增强和融合，实验表明方法在 LOL 数据集上比基线提高了 3db 的峰值信噪比和 8 的结构相似度。

    Jun, 2023