论文阅读笔记------Deep Retinex Decomposition for Low-Light Enhancement

Wei C, Wang W, Yang W, et al. Deep retinex decomposition for low-light enhancement[J]. arXiv preprint arXiv:1808.04560, 2018.

摘要

视网膜模型是一种有效的低光图像增强工具。它假设观测到的图像可以分解成反射率和照度。大多数现有的基于视网膜的方法都为这种高度不适定的分解精心设计了手工约束和参数，在各种场景中应用时可能受到模型容量的限制。在本文中，我们收集了一个包含低/正常光图像对的低光数据集(LOL)，并提出了一个基于该数据集的深度Retinex-Net，包括用于分解的解码器和用于照明调节的增强器。在解解网的训练过程中，没有分解反射率和光照的真值。该网络只在关键约束条件下学习，包括由低/常光图像共享的一致反射率和光照的平滑度。在分解的基础上，通过增强网络增强光照，进行后续的明度增强; 在联合去噪中，对反射率进行去噪。Retinex-Net是端到端的可训练的，所以学习的分解本质上有利于亮度调整。大量的实验结果表明，该方法不仅具有良好的低光增强效果，而且能够很好地表征图像的分解。

模型

Data-Driven Image Decomposition
首先使用一个3×3的卷积层来从输入图像中提取特征。然后，几个3×3的卷积层根据激活函数中的线性单元(ReLU)将RGB图像映射成反射率和照度。一个3×3的卷积层从特征空间投射出R和I，使用sigmoid函数将R和I约束在[0,1]的范围内。
loss function



Structure-Aware Smoothness Loss

Multi-Scale Illumination Adjustment

本文提出了一种多尺度级联方法，对光照进行分级调整，即在调整局部光照分布的同时保持全局光照的一致性。如果有M个逐步向上采样的块，每个块提取一个C通道特征图，我们通过最近邻插值将这些特征按不同的尺度调整到最终尺度，并将它们连接到一个C M通道特征图。然后，通过1*1的卷积层，将连接的特征简化为C通道。然后使用3.3 convolutional layer来重建照明map I。

loss function
增强网络由重建损失和光照平滑损失两部分组成,
$$\mathcal{L}={\mathcal{L}}_{is}+{\mathcal{L}}_{recon}$$