图像增强论文精读笔记-GLADNet: Low-Light Enhancement Network with Global Awarenesss(GLADNet)

1. 论文基本信息

• 论文标题：GLADNet: Low-Light Enhancement Network with Global Awarenesss

• 作者：Wenjing Wang等

• 发表时间和期刊：2018；FG conference

• 论文链接：https://ieeexplore.ieee.org/document/8373911

2. 研究背景和动机

• 局部光照变化处理不足：现有的低光照增强方法在处理不同区域光照不均的图像时效果不佳。部分区域可能过度增强，导致过曝光，而其他区域可能增强不足，仍然保持昏暗。

• 缺乏全局感知能力：大多数增强方法倾向于局部处理，无法充分利用图像的全局信息来协调不同区域的亮度与对比度，导致增强后的图像局部一致性差。

• 噪声放大和伪影问题：低光照图像中往往包含大量噪声，增强方法通常会放大这些噪声，导致最终的图像质量下降，产生伪影、噪声增加等现象。

3. 主要贡献

        提出了一种具有全局光照感知和细节保持的网络（GLADNet）。该网络的架构可以分为两个步骤。为了获得全局光照预测，首先将图像下采样到固定大小，并通过一个编码-解码网络处理，称之为全局光照估计步骤。编码-解码网络的瓶颈层具有覆盖整个图像的感受野。步骤二是细节重建步骤，用于补充在缩放过程中丢失的细节。为了训练这样的网络，我们从在各种条件下拍摄的RAW图片中合成了一个训练数据集，并使用L1范数作为损失函数。

具体来说核心创新点有：

（1）全局光照感知机制：论文提出了一个具有全局感知能力的编码-解码架构，其中的瓶颈层具有足够大的感受野，可以覆盖整个图像，能够很好地估计全局光照。这种机制是对传统低光照增强方法（通常是局部处理）的突破。

（2）细节保持与光照增强的分离设计：与很多方法直接进行增强不同，GLADNet将光照估计与细节保持分离为两个独立的步骤，通过全局光照估计提升整体图像亮度，然后再利用细节重建网络恢复细节。这种设计使得模型能够在保持图像全局一致性的同时，避免细节丢失。

（3）基于L1范数的损失函数：为了更好地增强图像的细节，作者使用了L1损失函数代替传统的L2损失函数。L1损失函数更适合低光照增强任务，因为它能够减少模糊，并且对噪声不敏感

4. 方法和模型

        (1) 网络总体架构图如下。增强的过程为分为两个步骤，分别是全局光照估计以及细节重建：

        (2) 损失函数考虑到了L1Norm损失

5. 一些缺点

        对于一些图像存在一些过曝现象