基于连续分解的Retinex图像增强,使用Plug-and-Play框架

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 人工智能的人工智能

背景情况:

• 雷提内克斯模型在低光条件下有效增强图像,但在噪音方面存在困难.
• 深度学习方法有前途,但需要大量的标记数据,缺乏可解释性.

研究的目的:

• 开发基于Retinex的框架,用于同时在低光下增强图像和消除噪音.
• 为了创建一个集成卷积神经网络 (CNN) 化器的插件运行模型.
• 为了提高模型的可解释性,以了解其行为.

主要方法:

• 使用了一种顺序的Retinex分解策略.
• 一个基于CNN的denoiser被集成到一个plug-and-play框架中,以生成一个反射功率组件.
• 最终的图像使用照明,反射率和马校正进行了增强.

主要成果:

• 拟议的框架有效地增强了低光图像,同时消除了噪音.
• 该框架在各种数据集中,与最先进的方法相比,表现优越.
• 该框架的插即用性质允许后期和临时解释性.

结论:

• 开发的框架提供了一个强大的解决方案,用于低光图像增强和denoising.
• 整合Retinex理论与CNNs提供了一个更易于解释和更有效的方法.
• 这种方法通过解决传统和基于深度学习的技术的局限性来推动该领域的发展.