图像弱光增强：南洋理工提出流正则模型LLFlow（AAAI 2022）

关注公众号，发现CV技术之美

本文分享 AAAI 2022 论文『Low-Light Image Enhancement with Normalizing Flow』，由南洋理工大学和香港城市大学合作完成，该文针对弱光图像增强问题提出了一种新颖的流正则化模型LLFlow，并在多个数据集上达到SOTA性能。

详细信息如下：

• 论文链接：https://arxiv.org/abs/2109.05923

• 项目链接：https://wyf0912.github.io/LLFlow/

• 代码链接：https://github.com/wyf0912/LLFlow

      01      

动机 

‍‍‍‍‍‍‍

弱光图像增强是计算机视觉领域中的一项底层视觉任务，近年来也获得了广泛的关注，其目的是通过图像处理手段调整弱光或暗光图像的像素分布，使其拥有正常的光照视觉效果。

目前基于深度学习的方法通过数据驱动的方式从大量数据中学习到弱光图像和正常曝光图像之间的逐像素映射关系，已经可以获得不错的增强效果，下图展示了本文方法与目前其他SOTA方法的增强效果对比，图（a）为输入的弱光图像，图（i）和图（j）分别为本文的效果和正常曝光的图像。

‍‍‍‍‍‍‍

但是这类方法存在两个严重的问题：

1. 由于同一张弱光图像可能对应多张不同条件的正常曝光图像，只通过L1和L2这种像素级的损失函数来优化网络，可能会导致网络多次回归到图像均值上，从而影响了网络的泛化能力。

2. 现有的L1或L2损失函数可能无法描述参考图像与增强后图像的真实视觉距离，难以满足人类的感官需要。

基于这两个问题，本文引入正则化流技术进行改进。相关研究表明，正则化流约束相比于经典的像素损失更能符合复杂的条件分布，因此其可以更好的描述各种背景下图像结构细节，同时更高质量的计算处理图像与正常曝光图像的视觉距离，这有助于调整图像亮度的同时也抑制图像伪影。