【论文精读】Deep Color Consistent Network for Low-Light Image Enhancement 用于低光照图像增强的深度颜色一致网络

重生之我在CUC写代码

已于 2024-03-12 15:04:42 修改

阅读量2.9k

点赞数 24

文章标签：目标跟踪人工智能计算机视觉

于 2024-03-11 19:49:25 首次发布

本文链接：https://blog.csdn.net/weixin_54098256/article/details/136580772

版权

本文提出了一种新的低光照增强方法DCC-Net，通过保持颜色一致性来解决现有LLIE方法中的颜色偏差问题。DCC-Net采用分而治之策略，将图像解耦为灰度图和颜色直方图，利用G-Net、C-Net和R-Net进行协同处理，以及PyramidColorEmbedding模块优化颜色嵌入。实验结果表明，DCC-Net在多个数据集上表现出色，增强了图像的自然性和色彩丰富度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文链接：https://openaccess.thecvf.com/content/CVPR2022/papers/Zhang_Deep_Color_Consistent_Network_for_Low-Light_Image_Enhancement_CVPR_2022_paper.pdf

代码链接：

GitHub - Ian0926/DCC-Net: Code for paper "Deep Color Consistent Network for Low Light-Image Enhancement"

3.1. Network Structure

3.1.1. G-Net

3.1.2. C-Net

3.1.3. R-Net

3.2. Pyramid Color Embedding (PCE)

3.2.2. Color embedding

3.2.3. Pyramid structure

3.3. Objective Function

4. Experiments

Abstract

任务：

低光照增强（LLIE）任务如何refine光照并获得正常的自然光照图像

痛点：

目前的LLIE方法没有考虑将颜色信息合理的融入LLIE处理中（未考虑颜色一致性）

增强图像和ground-truth存在色差

痛点解决方法：

提出DCC-Net来保留LLIE的颜色一致性

提出“分而治之”的协作策略（即灰度图and颜色直方图协作）来保存颜色信息并增强光照：

将每个彩色图像解耦为两个部分：灰度图（gray）和颜色直方图（color histogram）
灰度图：用于生成合理的结构和纹理
颜色直方图：用于保持颜色一致性

提出金字塔颜色嵌入模块（PCE）

作用：匹配颜色和内容特征，减少显色不一致现象，更好的将颜色信息嵌入LLIE过程中

实验：

在六个数据集上实验，DCC-Net增强图像更加自然、色彩丰富

1. Introduction

低光照增强：

是一项refine 光照来获得自然常光图像的任务，旨在提高低光照环境下捕获地光图像的感知和视觉质量
低光照图像：内容不清晰，低对比度，有噪声——>对人眼不友好and不利于多媒体计算/CV任务eg：人脸识别、目标检测、语义分割。

传统的LLIE方法大致可以分为两类：

基于直方图均衡化（HE）的方法
基于视网膜（retinex-based）的方法
相对简单，但不能回复颜色一致性和纹理细节

深度LLIE方法：

构建：深度神经网络（DNN）+不同的模块
优缺：性能比传统方法好很多，但会生成不一致的颜色，如图1所示

导致图片颜色不一致的原因：

不同的架构：端到端的深度架构和基于视网膜的架构都聚焦于refine光照，无视了颜色一致性和自然性
信息不匹配：颜色直方图描述了全局颜色信息，不包含任何空间信息。因此，无法找的与图像中内容适配的颜色信息

文章的主要贡献：

提出一种新的策略——>保持LLIE的颜色一致性，提出一个DCC-Net——>减少增强图和ground-truth之间的色差。是第一个直接通过探索颜色一致性来增强光照的工作。
提出解耦合策略（将彩色图像解耦合为灰度图and颜色直方图）——>既保持颜色一致性，又能增强光照。为DCC-Net设计三个子网络G-Net、C-Net、R-Net，如图2所示，G-Net——>恢复灰度图以提供丰富的结构和纹理信息；C-Net——>学习颜色分布以助于保持颜色一致性；R-Net——>混合灰度图和颜色信息以重建正常光图像。
设计PCE——>解决颜色直方图缺少空间信息