ABSTRACT
未曝光的图像往往受到严重的质量退化,如能见度差和潜在的噪音。 以往大多数低曝光图像恢复方法都忽略了噪声,并在拉伸对比过程中放大了噪声。 这篇文章通过分解出噪声,去除噪声分量,以达到去噪的目的,同时恢复曝光不足的图像。 提出了一种新的三个分支的卷积神经网络,即RRDNet(RobustRetinex分解网络),将输入图像分解为光照、反射和噪声三个分量。 不需要成对的数据集作为数据驱动。 通过迭代最小化一个特殊设计的损失函数来更新。 设计了这样一个损失函数来评估测试图像的当前分解和引导噪声估计。
论文方法:
思路:认为图像由三部分构成:光照分量,反射分量,噪声分量。在没有pair对的情况下实现低光图像增强,通过对loss进行迭代来有效估计出噪声和恢复光照。
1.分解网络:
网络分别输出三个分支,分别是估计反射图R,估计光照图S和噪声图N
2.重构网络:
- 光照分量经过gamma变换:
- 将输入图减去噪声图N并除以S后进行变换得到估计的反射图