![9d062d09f2506a207ce1ef876958bc38.png](https://img-blog.csdnimg.cn/img_convert/9d062d09f2506a207ce1ef876958bc38.png)
![4e32ad3ae848358d5e8797202e69073e.png](https://img-blog.csdnimg.cn/img_convert/4e32ad3ae848358d5e8797202e69073e.png)
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
其中反射分量