低光图像增强（LLIE）：Learning Semantic-Aware Knowledge Guidance for Low-Light Image Enhancement

源码学习见专栏置顶～

论文作者：Yuhui Wu,Chen Pan,Guoqing Wang,Yang Yang,Jiwei Wei,Chongyi Li,Heng Tao Shen

作者单位：University of Electronic Science and Technology of China; Nanyang Technological University

论文链接：http://arxiv.org/abs/2304.07039v1

内容简介：

1）方向：低光图像增强（LLIE）

2）应用：图像处理

3）背景：现有的低光图像增强方法通常采用全局和均匀的方式，而不考虑不同区域的语义信息。缺乏语义先验，网络可能会偏离区域的原始颜色。

4）方法：为了解决这个问题，提出了一种新的语义感知知识引导框架（SKF），可以帮助低光增强模型学习语义分割模型中封装的丰富多样的先验知识。SKF集中在从三个关键方面融合语义知识：1）语义感知嵌入模块，可以在特征表示空间中智能地集成语义先验；2）语义引导的颜色直方图损失，可以保持各种实例的颜色一致性；3）语义引导的对抗损失，可以通过语义先验产生更自然的纹理。SKF作为LLIE任务的通用框架具有吸引力。

5）结果：通过大量实验证明，使用SKF的模型在多个数据集上显著优于基线模型，并且在不同模型和场景下具有良好的泛化性能。代码可在Semantic-Aware-Low-Light-Image-Enhancement中获取。