噪音自回归:一种新的学习范式,可以增强低光图像,而无需与任务相关的数据

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:

• 基于深度学习的低光图像增强 (LLIE) 通常需要配对,不配对或零参考数据.
• 现有的方法在数据要求和计算成本方面面临局限性.
• 需要有效的LLIE方法,以最小的数据依赖.

研究的目的:

• 引入一种用于低光图像增强的新型深度学习方法 (LLIE),大大降低了培训数据需求.
• 为实际的LLIE应用提出噪声自回归 (NoiSER) 作为有效和高效的替代方案.
• 为了证明NoiSER在不改变图像内容的情况下增强图像照明的能力.

主要方法:

• 利用纯高斯噪声来训练一个没有任务相关数据的卷积神经网络 (CNN).
• 开发噪声自我回归 (NoiSER) 模型,该模型使用随机噪声图像作为训练的输入和输出.
• 在CNN架构中使用实例规范化层.
• 使用自我回归来重建像素对比度和图像正常化灰色世界假设.

主要成果:

• 与最先进的LLIE方法相比,NoiSER实现了竞争力提升的质量.
• 拟议的方法表明模型大小显著缩小,培训/推断成本降低.
• NoiSER显示了抑制过度曝光和与其他图像恢复任务集成的潜力.

结论:

• 噪音自回归 (NoiSER) 提供了一个高效和高效的数据解决方案,用于在低光条件下进行图像增强.
• 该方法的最小数据要求和计算效率使其成为现实世界应用的实用选择.
• 在图像增强和修复方面,NoiSER为未来的研究提供了一个有希望的方向.