论文地址:https://arxiv.org/pdf/1808.04560.pdf
代码地址:https://github.com/weichen582/RetinexNet
解析目录:https://zhuanlan.zhihu.com/p/88761829
低光照图像增强一直是CV领域的热门研究方向之一,之前传统的基于Retinex理论的研究方法已经出现很多,比如MSR、MSRCR和MSRCP等,这些方法在低光照图像增强方面效果有明显提升。然而,这些方法处理每一张图像会比较耗时,这样就没办法较快地批量处理低光照图像,因此这里介绍一种基于Retinex理论的卷积神经网络模型——RetinexNet,该模型是2018年发表在BMVC上的,论文题目是《Deep Retinex Decomposition for Low-Light Enhancement》。
一、 Retinex图像分解理论介绍
该理论把一幅图像
看做是光照分量
和反射分量
的乘积,即
其中反射分量
是物体的本身性质决定的恒定部分,光照分量
则是受外界光照影响的