阅读论文《SID NISM:A Self-supervised Low-light Image Enhancement Framework》

   2020挂在arxiv的一篇论文,自监督低光照增强

现有方法的问题

1.需要成对的数据
2.传统的基于Retinex的方法会产生不好的artifacts

论文提出的点

1.对于输入图像使用Retinex进行分解,使用其直方图增强的结果作为辅助,最终分解成光照无关的反射图,有结构信息的光照图和与反射图相关的噪声图。
2.对于光照图使用非线性变换增强NISM,从而在增强整张图的情况下保留对比度。

论文的方法

如下图所示:

自监督分解网络SID-Net

1.这里加入直方图均衡化的结果作为中间的辅助变量也用来分解,而并不是使用GT,个人认为是为了增强分解时的鲁棒性。
2.损失函数为$L = \lambda{rc}L{rc}+\Sigma{i=low,he}(L^i{rec}+\lambda{L}L^i{L}+\lambda{R}L^i{R}+\lambda{N}L^i{N}),heIheI3.L{rec}=||R\cdot L+N-S||_14.L{rc} = ||R{low}-R{he}||15.使WLSedgeedgeL_L = ||\triangledown L \cdot exp(-\alpha \triangledown R)||_1+||\triangledown L \cdot exp(-\alpha \Sigma{j=low,he} \triangledown Lj||_16.L_R = \frac{1}{3} \Sigma{ch = R,G,B}|| \triangledown R^{ch} - \beta \triangledown S^{ch}||_F+||R^H-S^H||_2S\beta使7.RLNNL_N = ||S \cdot N||_F$

非线性变换增强NISM

1.伽马变换会导致暗区域过曝,而亮区域几乎没被改变(虽然亮区本来就不需要太大变化),导致对比度失调。
2.对于暗区域,增强的程度可以更低一点,而对于亮区域,增强的程度应当更大,从而使得最终增强的结果足够亮
3.使用NISM,则变化曲线表示为L^=1(1L)λ,当λ值为2.2时,其和伽马变换的曲线如下所示,可以看出,和2的分析是吻合的

4.实际中,λ的值则是根据亮暗区域的阈值T确定的,公式为λ=log(10.8)/(1T)

实验与结果

1.可以在几百个迭代内对一张图实现训练(比传统方法慢太多了吧?)
2.实验结果对比略
3.思考,论文亮点是引入直方图增强结果,其实是增强了训练的鲁棒性,引入额外数据辅助自监督是一个思路;此外,对于光照图的处理,也可以有更好的变换方式。

0%