Low-light images enhancement系列：Kindling the Darkness: A Practical Low-light Image Enhancer

最新推荐文章于 2024-10-09 16:51:43 发布

全员鳄鱼

最新推荐文章于 2024-10-09 16:51:43 发布

阅读量2.2k

点赞数 1

分类专栏： low-light images enhancement 文章标签：深度学习人工智能计算机视觉 tensorflow

本文链接：https://blog.csdn.net/qq_38372240/article/details/105145406

版权

本文介绍了一种名为KinD的低光照图像增强网络，它由分解网络、调整网络和恢复网络组成。分解网络应用Retinex理论，调整网络允许灵活的亮度调整，恢复网络整合信息生成增强图像。实验表明，该方法在视觉效果和定量评估上均表现出优越性能，特别是在LOL数据集上的训练和应用。

摘要由CSDN通过智能技术生成

概述

作者创建了一个名作KinD的暗光增强网络，分为decomposition network、adjustment network和restoration network三大部分。
其中decomposition network利用retinex理论，将输入图像分解成reflectance maps和illumination maps；adjustment network可以通过参数 $α$ 灵活调整亮度，输出调整过的illumination maps；restoration network负责将之前decomposition network得到的reflectance maps和adjustment network的输出结合，得到最终的增强图像。
网络使用paired数据集，输入两张曝光不同的同场景照片，但是并不是以正常曝光的照片作为ground truth，而是以正常曝光照片的reflectance maps作为ground truth。根据retinex理论，一张图片可以分成reflectance maps和illumination maps两部分，不同曝光的图片如果不考虑退化（噪声、颜色失真等），则两者的reflectance maps应该相同，不同的是illumination maps，所以作者使用正常曝光图片的reflectance maps作为ground truth。
同时，作者在不同的网络部分中，使用了不同的组合的loss，如MSE loss、SSIM loss等。实验证明，论文的结果在视觉上和定性定量的实验上，都取得了SOTA的效果。
时间上，本文是ACM MM 2019论文。