Red Neuronal de Despliegue Auto-Supervisada con Aprendizaje de Reflectancia Compartida para la Mejora de Imágenes con...

Área de la Ciencia:

• Visión por Computadora
• Procesamiento de Imágenes

Sus antecedentes:

• La mejora de imágenes con poca luz (LIE) es crucial para diversas aplicaciones.
• Los métodos existentes a menudo ignoran los priors físicos de la teoría Retinex o requieren datos emparejados.

Objetivo del estudio:

• Proponer una novedosa red de despliegue auto-supervisada (S2UNet) para la mejora de imágenes con poca luz.
• Abordar las limitaciones de los métodos existentes, incluida la dependencia de los datos y el modelado de priors físicos.

Principales métodos:

• Desarrollo de una red de despliegue auto-supervisada (S2UNet) basada en la teoría Retinex.
• Formulación de un novedoso modelo de optimización que impone la consistencia del contenido bajo iluminación variable.
• Empleo de corrección gamma para crear pares de imágenes con diferente iluminación para la auto-supervisión.
• Integración de un mecanismo de denoising auto-supervisado para mitigar la amplificación del ruido.

Principales resultados:

• S2UNet demuestra un rendimiento superior en comparación con los métodos no supervisados de última generación.
• Se obtuvieron resultados competitivos en comparación con los métodos supervisados en métricas cuantitativas y calidad visual.
• Experimentos exhaustivos en nueve conjuntos de datos de referencia validan el enfoque propuesto.

Conclusiones:

• La S2UNet propuesta mejora eficazmente las imágenes con poca luz utilizando aprendizaje auto-supervisado.
• El método modela con éxito los priors físicos y reduce la dependencia de datos emparejados.
• S2UNet ofrece una solución robusta para la mejora de imágenes con poca luz con una supresión de ruido mejorada.