论文笔记：低照增强Zero-DCE

Zero-DCE（Zero-Reference Deep Curve Estimation）；通过训练一个轻量级的网络（DCE-NET），来预测一个像素级的，高阶的曲线；并通过该曲线来调整图像。该曲线必须是逐像素的，单调的，并且是可微分的。发表于CVPR2020

具有如下的特点：

1. 不需要构造训练对：通过精心设计的non-reference loss function实现。因为不需要构造训练对，所以训练数据比较容易获得，因此可以有效的避免过拟合。

2. 有效：图像增强可以通过一个非线性的mapping实现

3. 可以处理图像光照不均匀，和低光照等各种情况

输入：一个低光照的图像

输出：一系列高阶的曲线

# light-Enhancement Curve(LE-Curve)

曲线需要具备如下的特征：

1） 像素被调整过之后，需要在归一化后的[0,1]范围内，以此来避免截断

2）单调：以此来避免调整之后领域内值的相对大小不变

3）可微分

文中设计的曲线如下：

注意：

1）文中将曲线分别作用在RGB三个通道，而非直接作用在亮度通道上。文中解释可以防止inherent color以及过爆。这里不太了解inherent color是什么

2）这种方法，既可以做亮度的拉升，也可以做亮度的压缩。在本文中，主要是用来做了亮度的拉升

3）文中通过迭代的多次使用该曲线，以此来实现高阶的映射。

4）每个像素分别对应一个调整曲线：以此来避免全局的调整统一造成的在局部区域内的过爆或者低照。在文中，假设在局部的区域内会有相同或者相似的intensity，所以对于调整曲线也相同或者相似；所以即使是逐像素调整，也可以保证局部像素值的单调性。通过illumination smothness loss来实现

# DCE-NET

 网络结构如下图所示：

 

网络输入一张低照的图

网络输出一系列的逐像素的曲线参数，也就是对应到上述公式中的alpha。文中曲线迭代8次，那么输出24个map（3个通道*8次迭代）

网络的结构：每一层包含32个卷积核；逐层使用stride1，一个RELU。最后一层使用Tanh activation funciton.

# Non-Reference Loss Function

 ## spatial consistency loss

用来保证的空间的一致性。局部内的

 Y和I分别表示增强后的图像以及输入图像

## exposure control loss

将图像局部的平均值拉升到一个比较好的值上，在文中选择的是0.6。文中提到其实使用[0.4, 0.7]的差别并不大

 

## color constancy loss

基于灰度世界原理，各个通道的均值趋向于灰度

## illumination smoothness loss

用以保证在局部空间内的单调性