问题提出:
基于深度学习的图像增强方法在图像恢复和增强方面取得了显著的成功,但它们需要成对数据训练。
但目前使用成对数据训练存在的问题:
1)同时捕捉同一视觉场景的损坏图像和ground truth图像是非常困难的 。例如,同时捕捉低光和正常光图像对;
2)从干净的图像中合成损坏的图像有时会有帮助,但这样的合成结果通常不够逼真,导致在将训练好的模型应用于真实世界的低光图像时产生各种伪影;
3)对于低光增强问题,在低光图像中可能没有独特的或明确定义的高光ground truth。例如,任何从黎明到黄昏拍摄的照片都可以被视为在同一场景的午夜拍摄的照片的高光版本。
考虑到上述问题,该文的首要目标是增强具有空间变化的光照条件和过度/不足曝光和存在伪影的弱光照片。
论文贡献点:不需要成对的数据训练
我们采用GAN在低光图像空间和正常光图像空间之间建立一个不配对的映射,而不依赖于精确配对的图像。
方法
采用注意力引导的u-net作为生成器,使用全局-局部判别器来引导全局和局部信息,对于全局判别器,利用最近提出的相对论判别器结构来估计真实数据比假数据更真实的概率,并指导生成器合成比真实数据更真实的假图像。局部判别器,通