Mar, 2024

边缘引导的惯性 Bregman 交替线性化极小化低光图像增强

PDF
TL;DR为了克服在提取暗图像中可用的先验信息方面所面临的挑战，本文提出了一种简单而有效的具有边缘提取先验的 Retinex 模型。通过设计一个边缘提取网络，直接从低光图像中捕捉精细的边缘特征，将低光图像分解为其照明和反射分量，并引入边缘引导的 Retinex 模型用于增强低光图像，为了解决所提出的模型，我们提出了一种新颖的惯性 Bregman 交替线性最小化算法。通过严格的理论分析，我们建立了算法的收敛性质。此外，通过对多个真实世界的低光图像数据集进行广泛实验，证明了所提出方案的有效性和优越性。
low-light image enhancementretinex modeledge extraction priorillumination and reflectance componentsinertial bregman alternating linearized minimization algorithm
发现论文，激发创造
  • 基于 Retinex 的图像去噪与对比增强：利用梯度图拉普拉斯正则化

    通过图形正则化，我们提出了一种快速的 Retinex-based 恢复方案，可以去噪和增强图像，从而在降低计算复杂性的同时实现竞争性可视图像质量。

    Jul, 2023

  • DI-Retinex：低光图像增强的数字成像 Retinex 理论

    通过对数字成像中的 Retinex 理论进行理论和实验分析，本文提出了一种名为数字成像 Retinex 理论（DI-Retinex）的新表达式，该表达式包括增强模型中的偏移项，允许使用非线性映射函数进行像素级亮度对比度调整，并通过 Gamma 空间提出了一种图像自适应掩蔽逆恢复损失来解决低光增强问题，同时设计了一种方差抑制损失来调节附加偏移项，实验结果表明我们的方法在视觉质量、模型大小和速度等方面优于所有现有的无监督方法，还可以在低光条件下辅助人脸检测器，与其他方法相比，在低光增强后面部检测的性能增益最显著。

    Apr, 2024

  • 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

  • 基于物理四重先验的零参考低光增强

    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

  • 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

  • 图像反问题的约束优化表达式的增广 Lagrangian 方法

    本文提出一种有效的算法来解决图像恢复应用中的约束问题，包括去卷积和从压缩观测中重建图像，使用总变差或小波（或更一般的框架）正则化。该算法属于增广 Lagrange 方法的范畴，并表现出在一定条件下具有收敛性。本文的结果表明，所提出的算法在图像恢复领域中具有最先进的技术水平。

    Dec, 2009

  • Reti-Diff：基于 Retinex 的潜隐扩散模型的光照退化图像修复

    使用 Reti-Diff 方法，结合 Retinex 的知识和像素重构技术，以实现光照恢复和图像修复的高效率和准确性。

    Nov, 2023

  • 自监督图像增强网络：仅用低光图像进行训练

    提出基于自监督学习的深度学习低光图像增强方法，通过基于信息熵理论和 Retinex 模型的最大熵 Retinex 模型，实现了对低光图像中亮度和反射性分离的简化，仅需分钟级别的培训即可获得图像增强，证明该方法达到了处理速度和效果方面的最新成果。

    Feb, 2020

  • PIE-Net: 基于光度不变边缘引导网络的固有图像分解

    该论文提出了一种基于边缘驱动的混合卷积神经网络方法，用于固有图像分解，取得了良好的效果，并将全局和本地提示区分开来以提高网络性能。

    Mar, 2022

  • 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