May, 2024

基于时空一致的光照和反射分解的低光视频增强

PDF
TL;DR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。
low-light video enhancementformulating consistency constraintvideo retinex-based decompositiondual-structure enhancement networkstate-of-the-art performance
发现论文，激发创造
  • FastLLVE: 强度感知查找表实时低光视频增强

    提出了一种名为 FastLLVE 的高效管道，利用查找表（LUT）技术有效地保持帧间亮度一致性，从而实现低延迟和低复杂度的低光场景视频增强操作。

    Aug, 2023

  • Light-VQA: 低光视频增强的多维质量评估模型

    通过构建 LLVE-QA 数据集并提出 Light-VQA 模型，本文针对 UGC 视频中的低照度造成视觉下降问题，同时考虑视觉质量评估方法，提供了一种基于特征融合的新型解决方案，该模型在 LLVE-QA 数据集和公共数据集上表现出最好的性能。

    May, 2023

  • 几何感知低光图像和视频增强方法

    使用几何建模的深度图先验指导低光增强，提供了改进的低光特征学习，并在各种低光增强框架中应用。

    Dec, 2023

  • 低光图像和视频增强技术的深度学习调研

    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

  • 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

  • 基于序列分解的联合增强和降噪方法

    本文提出了一种联合的低光增强和去噪策略，通过 Retinex 模型基于分解进行顺序处理，对每个组件强制施加空间平滑性，巧妙地利用权重矩阵来抑制噪声和提高对比度，实现了对低光图像的有效增强和去噪。

    Apr, 2018

  • 无监督夜间图像增强：层分解与光效抑制的结合

    该论文提出了一种无监督的方法，通过层分解网络和光效抑制网络集成来来压制夜间图像中光效，并增强暗区域的照度

    Jul, 2022

  • 从异质低光捕获中学习新近景生成

    从具有异质亮度级别的低光条件下捕获的输入视图中合成新视图始终是一项挑战。本文提出了学习将亮度、光反射和噪声从输入视图中分解的方法，以便在异质视图中保持光反射不变。通过学习照明嵌入和优化噪声映射，以及设计照明调整模块来实现对照明的直观编辑，该方法实现了低光多视图噪声图像的有效内在分解，并在合成新视图方面在视觉质量和数值性能上优于现有方法。

    Mar, 2024

  • CodeEnhance：一种基于码书的低光图像增强方法

    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

  • 解耦低光图像增强

    本文提出了一种将低光图像增强模型拆分成两个阶段的方法，第一阶段侧重于基于像素级的非线性映射来提高场景的可见性，第二阶段侧重于通过抑制其余退化因素来提高外观保真度，本文的实验结果表明该模型在定性和定量比较中具有最先进的性能。

    Nov, 2021