-
这是TCSVT 2022的一篇暗图增强的论文,主要创新点在于提出了一个illumination constraint
-
网络结构如下图所示:输入的图片用文章提出的illumination constraint提取了三个illumination map(分别对应RGB)后concatenate到原图送进网络。网络是一个unet结构,每个模块是SENet和Res2Net的结合体,网络最后还是加上了原图,所以是残差预测。
-
illumination constraint的公式如下图所示:其实就是对RGB通道分别进行归一化取反图,其中 ρ \rho ρ和 τ \tau τ分别是当前通道的最大值和最小值,max和min就是1和0.
-
-
损失函数是SSIM loss和perceptual loss的加权和:
-
实验结果看出,视觉效果还不错,主观评价指标也挺好,LOL上的PSNR就很低
-
-
这个文章给的一个启发是动机部分的阐述相当到位,然后是损失函数不需要MSE损失而只需要perceptual损失和SSIM损失就可以实现增强,从消融实验可以看到相比L1损失这两个损失能实现更好的NIQE;不过从消融实验可以看出来其实这个illumination constraint好像影响不太大:
Multiscale Low-Light Image Enhancement Network With Illumination Constraint 论文阅读笔记
最新推荐文章于 2023-07-14 16:51:02 发布