Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement

对输入图片X，进行8次调整，调整公式需满足：

1. 增强后值域应在[0,1]，避免截断导致信息损失
2. 曲线是单调的，从而保持图像的对比度
3. 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：