这是一篇无监督暗图增强论文,来自RAL期刊(JCR1区)
- 文章将暗图增强任务分解两个阶段,第一阶段用基于retinex的传统方法进行预增强,第二阶段用refinement network 来进一步提高图片的质量。
第一阶段
- 用的是tone mapping这个方法:
H. Ahn, B. Keum, D. Kim, and H. S. Lee, “Adaptive local tone mapping based on retinex for high dynamic range images,” in Proc. IEEE Int. Conf. Consum. Electron., 2013, pp. 153–156.
- 这个方法对亮度的增强比很多深度学习方法要好,但是会增强噪声,为此需要进一步进行refinement。
第二阶段
- 第二阶段的网络用的是unet
- 损失函数是四部分组成,第一个是内容重建损失,也就是限制了refine前后的图片内容之间的距离:
- 第二部分是perceptual loss,也就是VGG提取的特征之间的距离
- 第三部分是tv loss,总变分损失,是为了抑制噪声:
- 第四部分是GAN的对抗损失:其中D是discriminator,
Y
^
\hat Y
Y^是正常光照图片(非成对)
实验结果
- 疑惑的一点是,unpaired enhancement dataset是怎么算PSNR和SSIM的