Jun, 2021

R2RNet: 实低到实标网络的低光图像增强

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 通过成对降级特征向量引导解锁低照度雨天图像恢复

    本文介绍 $L^{2} RIRNet$ 神经网络，旨在实现同时处理低光和降雨的任务，此外还提出了两个有效工具 —— 快速傅里叶 - ResNet 的细节引导模块和低光 - 雨图像合成与真实数据集。

    May, 2023

  • Diff-Retinex: 用生成扩散模型重新思考低光照图像增强

    通过提出一种物理可解释的、生成扩散模型 (Diff-Retinex) 来重新思考低光图像增强任务，将低光图像增强问题形式化为 Retinex 分解和条件图像生成，并通过生成扩散模型实现对低光细节的修复。在真实世界低光数据集上进行的广泛实验定性和定量地证明了所提方法的有效性、优越性和泛化性。

    Aug, 2023

  • 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

  • 深度照明网络：图像光源操作

    本文提出一种基于深度学习的图像重照明网络，包括场景重建、阴影先验估计和渲染器，能够在无需几何结构信息的情况下使图像在新的光源方向下重照明，并在 AIM2020 - Any to one relighting challenge 中取得最佳 PSNR 的成果。

    Aug, 2020

  • LEDNet: 低光弱化与去模糊联合处理

    该研究通过引入新的数据合成流程来模拟真实的低照度模糊退化，提出了联合低照度增强和去模糊的大规模数据集 LOL-Blur，同时提出了一种名为 LEDNet 的有效网络，解决了夜间摄影低照度和模糊问题。

    Feb, 2022

  • 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