Integrating Semantic Segmentation and Retinex Model for Low Light Image Enhancement
2020 MM，增加中间的语义监督，辅助低光照图像增强。如下图所示:
可以看出，这里将图像分解成反射图，光照图和预测的分割图，其中分割图用来引导反射图的恢复，该部分网络如下所示:
这里训练分割网络的时候，这里将正常光照和低光照图像都送进分割网络，约束它们各自输出的结果相似，同时和label也相似。对于反射图网络，如上图所示，这里使用MSE loss，SSIM loss和Grad loss进行约束。对于光照图，也是使用了类似的设置。
论文有很多可以灌水的扩展点，比如在无监督情况下，是否也可以类似这样套。感觉自己好水，只能想到这种层次…
Unpaired Image Enhancement with Quality-Attention Generative Adversarial Network
基本出发点是借助特征解耦的方法，将与画质增强的特征解耦出来，嵌入到基于cycle GAN的pipeline里，从而稳定无监督画质增强的训练过程。整体流程图如下所示:
可以看出，这里是将低质量图像的特征解耦到降质网络GL里，从而稳定了训练的过程。特征注意力机制如下所示:
特别的，对于特征提取网络，这里使用预训练的VGG网络，而解码器则嵌入特征注意力机制，整体结构如下所示:
loss上，这里使用了和cycleGAN相似的loss，包括GAN loss，cycle loss等等。