- 让潜在的扩散模型能够在黑暗中看见
通过将训练于大规模开放领域数据集的扩散模型变为生成先验,提出了一种新颖的基于扩散模型的低光图像增强方法,称为 LDM-SID,该方法通过向扩散模型中插入一组所提出的驯服模块来引导其生成过程,并在观察到扩散模型不同部分的特定生成先验后,将低频 - 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 - 全局结构感知扩散过程在低光图像增强中的应用
通过扩散模型结合曲率正则化、全局结构感知正则化和不确定性引导正则化等技术,在低光图像增强问题上取得突破性进展,提高了图像质量、噪声抑制和对比度放大的效果。
- 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 - 低光图像增强的联合校正与优化
一种名为 JCRNet 的新型结构被提出,可更有效地平衡亮度,颜色和照明。该方法通过三个阶段来增强亮度,颜色和照明,并在低光图像增强任务中显示出明显的综合性能优势。
- 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。
- 双域引导的实时超高清交通监控低光照图像增强
提出了一种用于超高清晰度交通监控的双域引导实时低光图像增强网络(DDNet),通过编码器 - 解码器结构将增强处理分为两个子任务(即颜色增强和梯度增强),实现了对颜色和边缘特征的同时增强,能够提高在低光环境下转运监控的图像处理效率和质量,并 - DEFormer:低光图像和暗视觉的 DCT 驱动增强 Transformer
该研究论文介绍了一种利用频域作为图像增强的新方法,提出了一种新颖的基于 DCT 的增强转换器(DEFormer),其中包括可学习的频率支路(LFB)和交叉域融合(CDF),并将其应用于暗部检测,使检测器的性能显著提升。
- ICCV通过定制的可学习先验为低光图像增强器赋能
本研究提出了一种低光图像增强范式,利用自定义的可学习先验来提高深度展开范式的透明度和解释性,通过 Masked Autoencoder(MAE)的特征表示能力定制了基于 MAE 的光照和噪声先验,并在多个低光图像增强数据集上的实验证明了该范 - ICCVDiff-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 - ICCV基于光照感知伽马校正和完整图像建模网络的低光照图像增强
本文提出了一种新颖的网络结构,利用感知偏差照明方式和完整图像建模来解决低光照图像增强问题。通过将伽马校正的有效性与深度网络的强建模能力相结合,我们能够粗到细地自适应地感知偏离的照明来学习校正因子伽马。通过使用泰勒级数近似伽马校正,加速了训练 - 自我参考深度自适应曲线估计用于低光图像增强
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 - FourLLIE:通过傅里叶频率信息增强低光图像
提出了一种基于 Fourier 的 LLIE 网络(FourLLIE),该网络通过在 Fourier 空间中估计幅度变换图和引入信噪比图,在改善低光图像的明亮度的同时,保持了良好的模型效率,并在四个典型数据集上优于现有最先进的 LLIE 方 - 亮度增强和着色:用于定制化低光图像增强的分离网络
提出了一种称为 BCNet 的 “明亮和着色” 网络,通过引入图像着色来解决低光条件下图像增强的问题,并实现基于用户偏好的不同饱和度和颜色风格的定制增强。
- 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。
- IJCAI从生成到压制:实现夜间能见度提升的有效非规律光晕去除
通过多次散射估计学习光晕生成的大气点扩散函数,设计了一种基于零样本学习的光晕抑制方法,并结合近距离光源的夜间成像模型和盲解卷积网络,实现了光晕抑制和低光增强任务。
- LLDiffusion: 低光图像增强中的扩散模型中学习衰减表示
提出了一种基于扩散模型的降级感知学习方案,通过有效整合降级表示和图像先验进程,从而改善图像增强效果。并且在多个基准数据集上的实验证明,该方法在定量和定性上优于现有的低光图像增强方法。
- 改进的分割:学习适应暗光图像增强的亮度感知和细节敏感表示
通过引入新颖的亮度和色度双分支网络 (LCDBNet),将低光图像增强分为亮度调整和色度恢复两个子任务,并使用多级小波分解学习细节敏感的特征,与其他先进算法相比,在多个参考和非参考质量评估器上取得了卓越性能。
- ICCV曝光扩散:学习如何曝光,用于低光图像增强
通过结合漏光图像的扩散模型和基于物理的曝光模型,使用残差层筛选出迭代过程中的副作用,从而改进了图像增强方法。该方法适用于真实数据集、不同噪声模型和骨干网络,并且具有更好的泛化能力。
- 利用红外编码图像增强低光照图像
提出了一种通过去除相机红外 (IR) 截止滤波器来提高低光环境下图像可见度的新方法,实验结果定量和定性上显示了提出方法的有效性。