Dec, 2020

基于 Retinex 启发的展开与合作先验结构搜索方法用于低光图像增强

PDF
TL;DR本文提出了一种新的方法，名为 Retinex-inspired Unrolling with Architecture Search（RUAS），用于构建用于真实世界场景下低光图像的轻量级但有效的增强网络，该方法基于 Retinex 规则，通过设计协作的无参考学习策略来发现来自紧凑搜索空间的低光先验架构，展开其优化过程来构建全面的传播结构，证实了该方法优于最新方法。
low-lightimage enhancementdeep learningretinex-inspired unrollingarchitecture search
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

  • 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

  • 双重降级启发的深度展开网络用于低光图像增强

    基于深度展开网络的双重退化启发的低光图像增强模型，通过构建双重退化模型来显式模拟低光图像的恶化机制，学习两个不同的图像先验，并通过局部和远程信息建模模块和空间聚合模块增强图像的表示能力。

    Aug, 2023

  • R2RNet: 实低到实标网络的低光图像增强

    本文提出了一种新的基于 Retinex 的深度学习网络，用于低光条件下的图像增强。该网络包含三个子网络：Decom-Net，Denoise-Net 和 Relight-Net。我们的模型使用了来自图像的空间信息和频率信息，可以在低光条件下取得更鲁棒的结果，并且在高级视觉任务方面具有显著的改善表现。我们还提出了一个大规模真实世界数据集（LSRW 数据集），用于训练模型，展示模型在真实世界场景中具有更好的泛化能力。经过广泛的实验，我们的方法在定量和视觉方面都表现出优于现有状态 - of-the-art 的结果。

    Jun, 2021

  • 自监督图像增强网络：仅用低光图像进行训练

    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。

    Feb, 2020

  • NAS-DIP: 用神经架构搜索学习深度图像先验

    本文提出使用神经架构搜索算法来寻找升级版的卷积神经网络，以用作结构化图像先验，从而进行各种反向图像恢复任务，通过大量实验结果验证了此方法的有效性。

    Aug, 2020

  • 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

  • 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

  • 自适应展开全变差网络用于低光图像增强

    该研究提出了一种基于自适应展开全变分网络的噪声估计方法，可以有效增强真实低光景象下的图像，并在实验中展示了其优越性。

    Oct, 2021