几何感知低光图像和视频增强方法
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
介绍了一种基于 Transformer 的低光图像增强方法,通过大规模数据库的系统基准测试,证明该方法优于现有算法,并提出利用该算法作为前处理步骤可以显著提高低光条件下的面部检测性能。
Dec, 2022
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。
Apr, 2023
通过引入创新的基于 Retinex 的视频分解策略,结合动态相邻帧的相关性和场景级连续性约束,以及双结构增强网络的交互机制,该研究实现了在低光环境下视频的增强和一致分解,超越了现有的方法,达到了最新的性能水平。
May, 2024
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
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
通过基于理论的光传递的光度无关先验、预训练的生成扩散模型以及轻量级版本,我们提出了一个仅使用正常光图像进行训练的零参考低光增强框架,该框架在多种场景下表现出卓越的优越性、良好的可解释性、鲁棒性和效率。
Mar, 2024
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
本文提出了一种名为 DiffLLE 的基于扩散模型的无监督低光图像增强方法,通过扩散模型能有效地减少噪声,并在实际应用中桥接了真实低光域和训练降解域之间的差距,从而提高了增强模型的稳健性和有效性。
Aug, 2023
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