本篇论文:Underexposed Photo Enhancement using Deep Illumination Estimation来自CVPR2019,腾讯优图实验室投递,算是在近来low-light images enhancement中较为知名的论文了。
搞笑的是,团队已经解散了 - -…,深圳的优图
摘要
不像之前的工作那样直接学习图像到图像的映射,本论文网络中引入中间照明来将输入与预期的增强结果相关联,这增强了网络从专家修饰的输入/输出图像对中学习复杂照片调整的能力。在此模型的基础上,构造了一个对光照采用约束和先验的损失函数,准备了一个包含3000个曝光不足图像对的新数据集,并对网络进行训练,使其能够有效地学习针对不同光照条件的丰富的各种调整。
Introduction
论文方法结果与iPhone和lightroom上的自动增强结果的对比。
论文的三个主要贡献:
- 提出了一种通过估计图像到光照的映射 (有点类似retinex理论中的illumination map) 来增强曝光不足照片的网络,并基于各种光照约束和先验知识设计了新的损失函数,能有效地保持对比度、饱和度
- 使用了包含3000张暗光图像的数据集,每张都有一个经过专家润色过的参考版本。·
- 利用现有数据集和新的数据集进行了评估,并从定性和定量两个方面论证了我们的方法的优越性。
Methodology
Image Enhancement Model
I ~ \widetilde{I} I