Aug, 2023

自我参考深度自适应曲线估计用于低光图像增强

PDF
TL;DR本文提出了一种称为自参考深度自适应曲线估计（Self-DACE）的两阶段低光图像增强方法。第一阶段介绍了一种直观、轻量级、快速和无监督的亮度增强算法，该算法基于一种新颖的低光增强曲线，可用于本地增强图像亮度。同时，我们提出了一个新的损失函数，配备了一个简化的物理模型，旨在保留自然图像的颜色、结构和保真度。我们使用一个普通的 CNN 通过深度自适应调整曲线（AAC）对每个像素进行映射，同时保留局部图像结构。其次，我们引入相应的降噪方案来去除图像中存在的噪声。我们对暗部噪声进行了近似建模，并使用降噪网络在第一阶段后估计和去除噪声。全面的定性和定量分析显示，我们的方法在多个实际数据集上优于现有的最先进算法。
low-light image enhancementself-reference deep adaptive curve estimationluminance enhancementdenoisingcnn
发现论文，激发创造
  • 低光图像增强的零参考深曲线估计

    该论文提出了一种新的零参考深曲线估计方法（Zero-DCE），它将受光增强任务视为深度网络中的图像特定曲线估计任务。我们通过训练一个轻量级的深度网络 DCE-Net 来估计给定图像的像素级和高阶曲线，以进行动态范围调整。Zero-DCE 有很强的适用性，即在训练期间不需要任何成对或无序数据进行参考。通过一组精心设计的非参考损失函数，我们实现了对非参考图像增强质量的隐式度量，并驱动网络学习。我们的方法具有高效性和可解释性，因为图像增强可以通过直观和简单的非线性曲线映射来实现。尽管简单，我们展示了它对不同光照条件的良好推广能力。在各种基准测试上进行的大量实验定量和定性地展示了我们方法的优势。此外，我们还讨论了 Zero-DCE 对于在黑暗中进行人脸检测的潜在优势。

    Jan, 2020

  • 通过零参考深曲线估计学习提高低光图像

    该论文提出了一种新颖的方法，称为 Zero-Reference Deep Curve Estimation (Zero-DCE)，它将图像增强的问题转化为深度网络中的图像特定曲线估计问题。该方法通过训练一个轻量级的深度网络，DCE-Net，针对给定图像估计像素级和高阶曲线以进行动态范围调整。Zero-DCE++ 是 Zero-DCE 的加速和轻量级版本，具有快速的推理速度，同时保持 Zero-DCE 的增强性能。

    Mar, 2021

  • 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

  • 高分辨率低光照图像增强的 Bootstrap 扩散模型曲线估计

    使用 BDCE，一种基于学习的曲线参数分布估计模型，来解决高分辨率图像的计算成本高和同时增强和去噪效果不佳的问题，并通过大量实验证明其在常用基准数据集上达到了最先进的定性和定量性能。

    Sep, 2023

  • 快速、灵活、稳健的低光图像增强

    本文提出一种新的自校准照明（SCI）学习框架，用于在低光环境下快速，灵活和准确地增强图像，通过耦合权值共享的级联照明学习过程来实现此任务，从而极大地减少计算成本，提高模型适用性。

    Apr, 2022

  • 快速低光图像增强的查找表全局曲线估计

    提出了一种名为 LUT-GCE 的低光图像增强有效且高效的方法，采用全局曲线估计方法，包括了一种新型的立方曲线公式，全局曲线估计网络（GCENet），查找表方法和直方图平滑度损失。

    Jun, 2023

  • 带有大规模低光模拟数据集的注意力引导低光图像增强

    本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法，利用合成的低光模拟数据构建数据集，通过使用两个注意力图指导亮度增强和降噪任务，并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强，该方法在多个数据集上表现优异，比当前最先进的方法有更好的定量和视觉效果。

    Aug, 2019

  • 黑暗中的文本：极低光照文本图像增强

    提出了一种新的编码器 - 解码器框架，使用边缘感知的注意力模块来增强极低光条件下的文本图像，通过使用文本检测和边缘重建损失强调低层次的文本特征，实现了成功的文本提取和极低光图像增强。

    Apr, 2024

  • 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

  • DARK: 降噪、放大、修复工具箱

    该论文引入了一种新颖的轻量级计算框架，利用先进的机器学习和卷积神经网络 (CNNs) 来增强低光条件下的图像。通过应用 Retinex 理论的见解和图像恢复网络方面的最新进展，我们的方法开发了一个高效处理光照分量并通过优化的卷积块集成上下文敏感增强的简化模型。这大大提高了图像的清晰度和色彩保真度，避免了过度增强和不自然的颜色偏移。关键是，我们的模型被设计成轻量级，确保在标准的消费者硬件上具有低计算需求和实时应用的适用性。性能评估证实，我们的模型不仅在增强低光图像方面超过了现有方法，而且保持了最小的计算占用。

    May, 2024