Apr, 2024

DI-Retinex：低光图像增强的数字成像 Retinex 理论

PDF
TL;DR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。
low-light image enhancementdigital-imaging retinex theoryunsupervised methodsbrightness contrast adjustmentface detectors
发现论文，激发创造
  • 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

  • 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

  • 基于光照透射比估计的低光照图像增强

    本文提出了一种基于 Retinex 的新方法 ITRE，可以同时抑制噪声和伪影，防止曝光过度，并通过聚类、基础模型构建、过曝光模块和鲁棒性保护模块来改进图像增强过程的稳定性。实验证明，与现有方法相比，我们的方法在抑制噪声、防止伪影和控制曝光水平方面具有优越的定性和定量性能。

    Oct, 2023

  • 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

  • Retinex 与图像去雾之间的对偶性

    本研究证明了 Retinex 算法和图像去雾问题之间的简单线性关系，并将 Retinex 算法应用于倒置后的灰度图像以解决图像去雾问题。实验结果表明，这种方法可以与更复杂的雾霾去除方法媲美。

    Dec, 2017

  • ReCo-Diff: 探索基于 Retinex 的条件策略在扩散模型中用于低光图像增强

    提出了一种新的方法 ReCo-Diff，将 Retinex-based 先验作为额外的预处理条件来调节扩散模型的生成能力，进而建立了一种特定于低光图像增强（LLIE）的扩散模型。

    Dec, 2023

  • 基于 Retinex 分解的零样本增强低光图像

    本文提出了一种基于学习的零参考低光增强方法，称为 ZERRINNet，通过利用 N-Net 网络、RI-Net 网络和纹理损失来解决低光图像增强中的亮度恢复、对比度、降噪和颜色失真问题，实现对训练数据的泛化性能的大幅提升。该方法经过在自制真实低光数据集和高级视觉任务上的有效验证，与当前最先进的方法相比具有竞争力的性能。其中，代码可在链接中获取。

    Nov, 2023

  • 低光照增强的深度 Retinex 分解

    该论文提出了一种基于深度学习的 Retinex 模型，可以更好地应对不同环境下光照不足的图像增强问题，通过红外辅助拍摄低光图像构建了一个 LOL（Low-Light）数据集，并使用其中的图像进行训练，实验结果表明该方法在增强低光图像质量方面具有很好的效果。

    Aug, 2018

  • 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

  • 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