对输入图片X,进行8次调整,调整公式需满足:
- 增强后值域应在[0,1],避免截断导致信息损失
- 曲线是单调的,从而保持图像的对比度
- 这条曲线要可微,可以进行学习
作者设计如下:
A是一个可学习的矩阵,其值域是[-1,1],尺寸与原图大小一致,即每个通道每个像素都能分别进行增强。作者假设局部区域的A值应该是一样的,因此可以保持相邻像素的单调性。
每一次调整后的图像作为下一次调整的输入,DCE-Net负责学习8个A矩阵,然后X经过8次调整得到最后的输出。
损失函数:
Spatial Consistency Loss(空间一致损失):
K是四邻域(上下左右)个数,i是四邻域中心点,j是四邻域的另外四个点。Y和I分别是增强后的图像和原图,邻域大小只能是4,否则loss不下降。这个损失主要为了保持增强后图像邻域之中的对比度。
Exposure Control Loss(曝光控制损失):
M是不重叠的16*16区域的个数,Yk是增强后图像转为灰度图后该16*16区域的平均值。作者把E设为0.6,即每个区域内的平均值应该在0.6附近。
Color Constancy Loss(颜色恒定量损失):
根据灰色世界理论,RGB三个通道的平均值应该是相同的,所以增强后的图像应该符合这个规律。
Jp是p通道的均值。
illumination Smoothness Loss(光照平滑损失):
这个损失函数保持了增强后相邻像素的单调关系(平滑梯度),N是增强次数(论文中为8),▽x和▽y分别表示矩阵A在x和y方向的梯度。
消融实验:
C(缺少Spatial Consistency Loss):增强图像的对比度降低,如云层。
D(缺少Exposure Control Loss):低光照区域曝光不足
E(缺少Color Constancy Loss):出现严重色彩偏差
F(缺少illumination Smoothness Loss):出现严重伪影
实验:
第一列是US分数↑,第二列是PI分数↓
在Learning a deep single image contrast enhancer from multi-exposure image数据集中结果
运行时间: