低照度画像強調のための共有反射率学習付き自己教師あり展開ネットワーク

科学分野:

• コンピュータビジョン
• 画像処理

背景:

• 低照度画像強調（LIE）は、さまざまなアプリケーションにとって重要です。
• 既存の手法は、Retinex理論の物理的先験を無視するか、ペアデータが必要です。

研究 の 目的:

• 低照度画像強調のための新しい自己教師あり展開ネットワーク（S2UNet）を提案すること。
• 既存の手法の限界、すなわちデータ依存性と物理的先験モデリングに対処すること。

主な方法:

• Retinex理論に基づいた自己教師あり展開ネットワーク（S2UNet）を開発しました。
• 変動する照明下でのコンテンツの一貫性を強制する新しい最適化モデルを定式化しました。
• 自己教師ありのために照明の異なる画像ペアを作成するためにガンマ補正を採用しました。
• ノイズ増幅を軽減するために自己教師ありノイズ除去メカニズムを統合しました。

主要な成果:

• S2UNetは、最先端の教師なし手法よりも優れた性能を発揮します。
• 定量的指標と視覚的品質において、教師あり手法と比較して競争力のある結果を達成しました。
• 9つのベンチマークデータセットでの広範な実験により、提案されたアプローチが検証されました。

結論:

• 提案されたS2UNetは、自己教師あり学習を使用して低照度画像を効果的に強調します。
• この手法は、物理的先験を正常にモデル化し、ペアデータへの依存性を減らします。
• S2UNetは、ノイズ抑制が改善された低照度画像強調のための堅牢なソリューションを提供します。