通过基于Retinex的算法展开和调整来增强低亮度图像.
概括
这项研究引入了用于低光图像增强 (LIE) 的新型深度学习框架. 该方法通过将传统技术与数据驱动学习相结合来提高图像质量,以便更好地分解和调整.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 图像处理 图像处理
背景情况:
- 低光图像增强 (LIE) 在各种应用中至关重要.
- 基于Retinex理论的深度学习方法提供了可解释性,但也有局限性.
- 现有的方法很难整合传统的见解和优化调整步骤.
研究的目的:
- 提出一种新的深度学习框架,用于低光图像增强.
- 解决现有的基于Retinex的深度学习方法的局限性.
- 改善分解和调整阶段,以获得更好的结果.
主要方法:
- 开发了一个分解网络 (DecNet),使用算法展开用于集成的先前学习.
- 设计的调整网络考虑了全球和本地亮度的有效性.
- 实施了一种自我监督的微调策略,用于自动化优化.
主要成果:
- 拟议的框架在基准LIE数据集上显示出卓越的性能.
- 定量和定性实验证实了这种方法的有效性.
- 该方法在没有手动超参数调整的情况下获得了有希望的结果.
