这是TCSVT2022的一篇暗图增强的文章,用了DIP这个方法
- 这篇也是用了DIP的,有时间一定要好好看看DIP这个领域
- 网络结构如下图所示,用了两个encoder-decoder网络来生成Retinex里面的I和R分量。前面的噪声输入表示网络用的是DIP的方法进行训练,即无需图像数据集进行训练。 生成R的DIP2更深,因为R具有更多细节,而DIP1更浅。
- 损失函数如下所示:由四项构成,第一项是重建损失;第二项是针对 I I I的损失,监督为图像在通道维度上做max得到的二阶矩阵;第三项为 R R R的TV Loss,是为了抑制噪声;第四项是 I I I的平滑损失,但加了个权重,权重是基于预测的R进行计算的。后续实验发现,其实这里的 G R ( z 2 ) G_R(z_2) GR(z2),也可以改成 I 0 I_0 I0。
- 获得分解的分量后,用Gamma校正增强 I I I分量得到 I ^ = I γ \hat I=I^\gamma I^=Iγ(实验中将 γ \gamma γ设为0.5),然后用
- 获得增强结果(这是其中一种基于Retinex理论的增强方式,另一种是 R R R分量乘以增强后的 I I I分量)
- 文章与其它方法比较了在一些数据就上的NIQE等三个指标: