亮度增强和着色:用于定制化低光图像增强的分离网络
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
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
提出了一种基于水平 / 垂直强度(HVI)的新型可训练颜色空间,该颜色空间解耦了 RGB 通道的亮度和色彩,有效改善了低光图像增强过程中的颜色和亮度伪影问题。同时,设计了一种名为 CIDNet 的新型颜色和亮度解耦网络,并在该网络中引入了轻量级交叉注意力(LCA)模块,以促进 HVI 空间中图像结构和内容信息之间的交互,同时抑制低光噪声。在 22 个定量和定性实验中,CIDNet 相较于其他先进方法在 11 个数据集上取得更好的效果。
Feb, 2024
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
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
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
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
通过引入新颖的亮度和色度双分支网络 (LCDBNet),将低光图像增强分为亮度调整和色度恢复两个子任务,并使用多级小波分解学习细节敏感的特征,与其他先进算法相比,在多个参考和非参考质量评估器上取得了卓越性能。
Jul, 2023
本文提出了一种新的 LLIE 方法 FLIGHT-Net,它使用一系列的神经架构模块来解决低照度下直方图抑制和信噪比低的问题,通过像素级场景依赖的照明调整来调节照明条件,在包含通道注意力和去噪子块的第二个块的输出中产生输出图像,其高效的神经网络架构只使用 25K 个参数,并实现了最新的性能。
May, 2023
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