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
Layer Decomposition Net
Reflectance Restoration Net
Illumination Adjustment Net
Illumination Adjustment Net
Experiences
•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
Conclusion