CVPRApr, 2023

学习语义感知知识引导低光图像增强

PDF
TL;DR该研究提出了一种新的基于语义感知的知识引导框架，结合语义分割模型在低光图像增强中学习丰富多样的先验知识，并通过三个方面的方法实现：语义感知嵌入模块、语义引导颜色直方图损失和语义引导对抗性损失。实验结果表明，该框架在多个数据集上均优于基线模型且具有良好的泛化性能。
low-light image enhancementsemantic segmentationdeep learningcolor consistencyadversarial loss
发现论文，激发创造
  • CodeEnhance：一种基于码书的低光图像增强方法

    利用量化的先验知识和图像精修方法，该文提出了一种名为 CodeEnhance 的新型低光图像增强方法，通过学习从低光图像到离散码书的映射，改善图像恢复中的不确定性和噪声压制造成的纹理和颜色信息损失，并结合语义信息、码书位移和交互特征转换模块，实现了对低光图像的交互式增强。实验证明，CodeEnhance 在质量和保真度上显著提高了低光图像增强的性能，对于不均匀照明、噪声和颜色失真等各种退化具有较强的鲁棒性。

    Apr, 2024

  • 语义对比学习用于低光图像增强

    本文提出了一种有效的基于对比学习的语义低光图像增强算法，利用多任务联合学习将低光图像增强任务转化为对比学习、语义亮度一致性和特征保护三个约束，用于同时确保曝光、纹理和颜色的一致性。实验结果表明，该方法优于当前六个独立交叉场景数据集中最好的低光图像增强模型。

    Dec, 2021

  • 学习一个卷积层模型以进行低光图像增强

    本文介绍了一种在低亮度条件下进行图像增强的轻量级神经网络，提出了全局低光强度增强和局部自适应校正的方法来解决不同图像区域的曝光问题，实验结果表明该方法在客观指标和主观视觉效果方面都表现出色。

    May, 2023

  • 低光图像和视频增强技术的深度学习调研

    本文提出了一个包含低光图像增强算法分类、数据集、web 平台等多个方面的综述以及一个包含各种拍摄设备下的低光图像数据、在线评估多个流行算法的数据集和平台，并对各种算法在公开及自有数据集上进行了定性和定量评估。本平台，数据集以及评估指标都是公开的并被定期更新。

    Apr, 2021

  • 一种基于通道先验和伽马校正的轻量级低光图像增强网络

    通过结合传统方法与深度学习技术，本研究提出了一种创新的低光图像增强网络 CPGA-Net，该网络结合了暗 / 亮通道先验、伽马校正、大气散射模型和 Retinex 理论的特征，成为一个轻量级网络，在客观和主观评价标准上取得了优异性能，为低光环境下的实际应用提供了新的解决方案。

    Feb, 2024

  • ClassLIE：面向低光图像增强的结构和光照自适应分类模型

    本文提出了一种结合 CNN 和 transformers 的新型框架 ClassLIE，通过综合和区域化的方式对低光图像中的结构和光照信息进行分类和自适应学习，从而显示出更好的增强性能。实验证明，ClassLIE 在五个基准数据集上达到了最先进的表现，LOL 数据集上的 PSNR 和 SSIM 分别为 25.74 和 0.92。

    Dec, 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

  • ReLLIE：深度强化学习用于定制化低光图像增强

    本研究提出了一种基于深度强化学习的新型低光图像增强方法，称为 ReLLIE，将 LLIE 建模为马尔可夫决策过程，使用轻量级网络计算像素级图像特定曲线，利用非参照损失函数计算的奖励来增强输入的低光图像，ReLLIE 不是进行一一图像转换，而是学习策略，从而可以处理各种低光测量数据，提供定制增强输出。

    Jul, 2021

  • 几何感知低光图像和视频增强方法

    使用几何建模的深度图先验指导低光增强，提供了改进的低光特征学习，并在各种低光增强框架中应用。

    Dec, 2023

  • PIE: 物理启发的低光增强

    提出了一种物理启发的对比学习范式（PIE）用于低光增强，通过解决现有学习方法对严格像素对应图像对进行训练的问题，使用非配对图像进行训练；通过物理启发的对比学习模块对低光增强进行负样本生成并设计了曲线包（BoC）方法，以生成更合理的负样本；通过提出无监督的区域分割模块，确保区域亮度一致性并消除对语义真值的依赖。PIE 可以有效地从非配对的正负样本中学习，并实现非语义的区域增强，与现有的低光增强方法有明显不同。在现有的开放数据集上进行训练和广泛的实验表明，我们的方法在六个独立的交叉场景数据集上优于现有的低光增强模型。PIE 在测试时间内运行速度快，计算量合理，易于在移动设备上使用。

    Apr, 2024