11、论文阅读：无监督夜间图像增强：层分解与光效抑制的结合
Unsupervised Night Image Enhancement: When Layer Decomposition Meets Light-Effects Suppression
- 前言
- 介绍
- 相关工作
- 方法介绍
-
- 基于模型的层分解网络
-
- 学习光照效果层、阴影层和反射层。
- 光照效果和阴影初始化。
- 梯度排除损失
- 色彩恒常性损失
- 重建损失
- 光效抑制网络
When Layer Decomposition Meets Light-Effects Suppression)
前言
夜间图像不仅受到低光的影响，而且还受到光的不均匀分布的影响。
现有的夜间能见度增强方法大多集中在增强弱光区域。这不可避免地导致明亮区域中的过度增强和饱和，例如受光效应（眩光、泛光灯等）影响的那些区域。
为了解决这个问题，我们需要抑制明亮区域中的光效应，同时提高暗区域的强度。
考虑到这个想法，我们引入了一种无监督的方法，它集成了层分解网络和光效应抑制网络。
给定一张夜间图像作为输入，我们的层分解网络学习分解阴影，反射和灯光效果层，由无监督的特定层先验损失指导。
我们的光效应抑制网络进一步抑制了光效应，同时增强了暗区的照明。该光效应抑制网络利用估计的光效应层作为引导来聚焦于光效应区域。
为了恢复背景细节并减少幻觉/伪影，我们提出了结构和高频一致性损失。
我们对真实的图像的定量和定性评估表明，我们的方法优于国家的最先进的方法，在抑制夜间灯光的影响，提高黑暗区域的强度。
介绍
现有的夜间可见度增强方法主要集中在增强弱光区域的亮度。因此，当这些方法应用于包含灯光效果的夜间图像时，它们不可避免地放大了灯光效果，并且甚至进一步损害了图像的可视性。与这些方法不同，本文的目标是在增强暗区域强度的同时抑制光照效应。
全监督学习方法可能是实现我们目标的一种可能的解决方案。然而，这些方法将需要在具有和不具有光效果的情况下拍摄的成对夜间图像的多样且大量的集合，这难以获得。另一种可能的解决方案是使用具有渲染灯光效果的合成夜间图像。然而，在合成夜间数据上训练的方法的有效性取决于灯光效果渲染模型的质量。据我们所知，在各种背景场景和照明条件下渲染物理上正确的夜间灯光效果仍然具有挑战性
本文介绍了一种无监督学习方法，该方法将层分解网络和光照抑制网络集成在一个统一的框架中。
我们的