可解释优化启发的展开网络用于低光图像增强

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 基于Retinex的方法对低光图像增强 (LLIE) 有效,但由于手工制作的先验和传统优化,缺乏适应性和效率.
• 现有的方法在适应性层分解方面扎,以获得最佳的LLIE.

研究的目的:

• 提出一个基于Retinex的自适应深部展开网络 (URetinex-Net++),以实现高效和有效的低光图像增强.
• 通过解决颜色缺陷和提高整体性能来改进以前的URetinex-Net.

主要方法:

• 开发了URetinex-Net++,一个深度展开的网络,使用隐式先验将低光图像分解为反射率和照明层.
• 引入了三个基于学习的模块,用于数据依赖的初始化,高效的展开优化和组件调整.
• 包含一个跨阶段的融合块来减轻颜色缺陷.

主要成果:

• 拟议的展开优化模块适应地适应隐含的先验,使噪声抑制和细节保存成为可能.
• 与最先进的方法相比,URetinex-Net++在视觉质量和定量指标上都表现出卓越的性能.
• 增强的网络实现了性能提升,参数最小,计算成本低.

结论:

• URetinex-Net++通过利用自适应深度展开提供了一种有效和高效的解决方案,用于在低光下增强图像.
• 该方法在具有挑战性的低光条件下显著提高了图像质量和细节保存.
• 广泛的实验证实了URetinex-Net++在现有LLIE技术上的优势.