论文笔记007:[TOMM2020]Exploring Image Enhancement for Salient Object Detection in Low Light Images

摘要

在非均匀光照环境下获取的弱光图像通常会随着场景深度和环境光的不同而退化。这种退化导致退化图像模式下的目标信息严重丢失，由于低对比度和人工光的影响，使得显著目标检测变得更加困难。然而，现有的显著目标检测模型是基于图像是在足够亮度的环境下捕获的假设，这在现实场景中是不现实的。在这项工作中，我们提出了一种图像增强方法，以促进显著目标检测在弱光图像。在定量评价方面，我们构建了一个具有像素级具有groundtruth的低光图像数据集，并在四个公共数据集和我们的基准数据集上实现了令人满意的结果。

---

贡献点

1.我们为SOD(Salient Object Detection)建立了一个low light数据集。基于此数据集，我们验证了低光照会降低SOD的性能。
2.探讨了低照度SOD的图像增强。通过对环境物理光照的显式建模，可以消除低照度对图像增强的影响，并保留显著目标的详细信息，提高图像增强效果。
3.为了考虑环境光的不均匀性，对弱光图像的物理光照进行分析，建立退化模型，将环境光视为点变量，并随局部光源的变化而变化。此外，利用非局部块层来捕获对象的局部内容与其局部邻域偏好区域的差异。

方法

1.Method

分为了两部分，分别是PIE用来增强和NLD用来做SOD，属于A+B的任务，因此在后续的实验中对比试验会有点多。具体的细节就不在这里赘述，因为不是特别相关。

2.Dataset
1）优势主要都是夜间的图像，不过感觉数量有点少
2）数据分布的多样性：时间和图像内容

---

实验

1.对应图6

2.PIE模块的有效性
3.NLD的有效性

---

我的思考

这篇文章主要是夜间显著性的工作，提出了一个数据集和增强方法。思路还比较简单，实验数据很丰富，写作的思路可以借鉴。