Unsupervised Real-world Low-light Image Enhancement with Decoupled Networks
Problems
•基於GAN的模型被特別設計來解決光照增強的任務,但在實際的微光圖像增強中,他們在兩個方面有着共同的侷限性:
•1)增強圖像的對比度和光照可能不理想,通常會出現顏色失真和不一致;
•2)這些方法主要側重於光照增強,而沒有特別注意噪聲抑制。 •結果,重噪聲仍然存在,甚至可能在增強圖像中被放大
Method
•我們建議將整個無監督增強任務分解爲兩個子任務:照明增強和噪聲抑制。我們提出了一個兩階段的框架來分別處理每一個子任務,利用光照增強中的增強結果來指導空間自適應去噪的學習。
•第一階段中,在GAN框架下以無監督的方式訓練基於Retinex的深度網絡,以增強弱光圖像的亮度,同時保留上下文細節,並在結果中有效地減輕顏色失真。
•在第二階段,我們將原始的微光圖像、第一階段的增強圖像和指示微光圖像的增強照明的照明遮罩作爲輸入,並在另一個GAN框架下提出了一種基於無監督學習的去噪模型,以去除噪聲並生成最終的增強圖像。
Contribution
•提出了一種完全無監督的微光圖像增強的框架;
•我們通過構造僞三元組來促進去噪模型的無監督學習,並提出了一種自適應的內容損失去噪方法,用於在原始光照條件和增強光照條件下對區域進行去噪;
•我們提供了一個包含可變噪聲和良好多樣性的未配對微光圖像增強數據集,作爲對現有微光增強數據集的重要補充。
Dataset
•我們收集了一個無監督的真實世界低光數據集(URL dataset)
•由iPhone-6s拍攝的414個真實世界低光圖像和從Adobe Fivek中選擇的3837個正常光圖像組成
Architecture
Stage I: Illumination Enhancement
Stage I: Loss Functions
Stage II: Noise Suppression
Stage II: Loss Function
Constructing Pseudo Triples
Constructing Pseudo Triples:Loss Function
Content loss on real images
Experiments
更多關於深度學習文章,敬請訪問:https://www.flyai.com;進行更多學習。此外,FlyAI競賽平臺提供大量數據型賽題供學習黨和競賽黨蔘與,如有任何疑問可添加下方微信服務號進行諮詢。
FlyAI小助手
本作品採用知識共享署名-非商業性使用-相同方式共享 4.0 國際許可協議進行許可,轉載請附上原文出處鏈接和本聲明。