Kindling the Darkness: A Practical Low-light Image Enhancer
Problems
•它提出了低光照增強任務存在的三個難點：
•（1）如何有效的從單張圖像中估計出光照圖成分，並且可以靈活調整光照level?
•（2）在提升圖像亮度後，如何移除諸如噪聲和顏色失真之類的退化？
•（3）在沒有ground-truth的情況下，樣本數目有限的情況下，如何訓練模型？
Contribution
•受Retinex理論的啓發，提出的網絡將圖像分解爲兩個分量，即反射和照明，將原始空間分解爲兩個較小的分量。
•網絡使用在不同光照/曝光條件下捕獲的成對圖像進行訓練，而不是使用任何groud-truth反射和照明信息。
•我們設計的模型提供了一個映射功能，可以根據用戶的不同需求靈活地調整亮度。
•提議的網絡還包含一個模塊，該模塊能夠有效地消除通過照亮黑暗區域而放大的視覺缺陷。
•進行了廣泛的實驗，以證明我們的設計的有效性及其相對於最先進的替代品的優越性
Architecture
Reflectance Restoration Net
•Dataset : LOL dataset which includes 500 low/normal-light image pairs.
•Device : Nvidia GTX 2080Ti GPU and Intel Core i7-8700 3.20GHz CPU
•Framework : Tensorflow
•Evaluating Indicator :PSNR、SSIM、LOE、NIQE
Results
