csdn_export_md

低光照图像增强论文总结

以下论文为2017~2021年中发表被分为A、B、C、D、E五类。

A：增强 B：增强+去噪 C：视频增强 D：增强+检测 E：增强+分割

2017

MSR-Net: low-light image enhancement using deep convolutional network

(https://arxiv.org/abs/1711.02488)

将卷积神经网络与 Retinex 理论相结合,将多尺度 Retinex 看做是具有跳跃链接或者是残差形式的级联高斯卷积,设计出一个多尺度的卷积神经网络 MSR-net(multi-scale Retinex network),并基于 Photoshop 处理后的成对数据获得端对端低光照图像增强网络。 网络中采用对数变换的方式将 Retinex 模型由相乘的形式转换为相加。 由于对数变换会抑制亮区域梯度的变化,该方法容易引起细节丢失。 A

LLCNN: a convolutional neural network for low-light image enhancement

(https://sci-hub.wf/10.1109/VCIP.2017.8305143)

将图像融合应用于低光照图像增强方法中。 在网络结构中,将多个尺度特征注入到多分支体系结构中,将多个阶段的特征进行融合,形成较好的增强效果,但该方法对于一些光照极其不足的场景性能较差。 A

LLNet: a deep autoencoder approach to natural low-light image enhancement.

设计了一种低光照网络 (low-light net,LLNet)深度自动编码器,在提高低光照图像对比度的同时兼顾去噪。 但由于合成数据的不真实性,导致这种方法增强后的图像会不符合实际,且存在曝光不足的问题。 B

2018

LightenNet: a convolutional neural network for weakly illuminated image enhancement.

提出了一种用于低光照图像增强的卷积神经网络( LightenNet)。 通过基于 Retinex 理论创建的训练对来训练设计的网络结构, 但是该方法仍然难以获得令人满意的增强效果,尤其是在一些有挑战性的真实场景。 A

Learning a deep single image contrast enhancer from multi-exposure images.

致力于低光照图像对比度的调整,并构建了一个低对比度和高对比度的图像对训练数据集,使用卷积神经网络训练对比度增强网络。 尽管该方法能够有效提升图像亮度,但是会出现一些未知的伪影以及过于细 化的细节进而造成图像失真。 A

a white-box photo post-processing framework.

通过结合强化学习与分辨率无关的滤波器提出 WhiteBox,以解决自动照片的后期处理。 A

Deep photo enhancer: unpaired learning for image enhancement from photographs with GANs

首先构造了一个全局特征增强的 U-Net 架构,并采用 Wasserstein GAN(generative adversarial network)训练机制,随后引入自适应加权机制确保了更快的收敛速度。 A

DeepExposure: learning to expose photos with asynchronously reinforced adversarial learning

将深度强化对抗学习引入到低光照图像增强任务中。 根据低光照图像原始的低层次特征,将图像分割成能够反映曝光动态范围变化的子图像。 在子图像上通过政策网络顺序自动学习每个子图像的局部曝光,以达到整体曝光的平衡。 A

Learning to see in the dark

针对夜间成像问题,构建了一个不同程度曝光的数据集,其中包含对应的短(可能带噪声) / 长曝光图像对。 基于该数据集,训练了一个端到端的低光照图像增强卷积神经网络模型,且该方法直接对 RAW 数据进行操作,该数据集的开发显著推动了低光照图像增强在工业界的应用。 B

D