每天分享一些读的论文,可能是详细的笔记,也可能是简单的略读带过。 理解有偏差的地方还望交流指出,共同进步。
1. [low-light] Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement (CVPR 2020)
暗光照增强工作。设计二次曲线,在图像的动态范围内对图像进行像素级的调整,得到增强的图像。作者还设计了无参考的损失函数,使网络在无参考的情况下进行训练。 亮点:
- 提出了不需要GT的训练loss,可以避免过拟合。
- 设计了LE-curve二次曲线,反复在每个像素点上迭代调整,实现图像的高阶曲线亮度增强
- 模型很小
【资源链接】
【工作详细介绍】
网络结构如图,作者先是通过简单的网络(DCE-Net)估计出几次迭代需要的参数,然后将不同的参数带入到每次次迭代的曲线中,完成增强。整体框架很简单,现在的问题就落到了曲线的设计上。
曲线的设计需要满足三个要求:
- 增强的曲线像素值要归一化到0~1,避免截断,导致信息丢失
- 曲线应该是单调的,以此保证图像的对比度
- 曲线应该反向传播可导、尽量简单
作者采用了二次曲线:
其中,x是像素点坐标,是参数,不同参数alpha下LE曲线如(b)所示。可以控制曲线的形状,可以增强暗的部分,抑制过曝光的部分。
定义高阶迭代的曲线:
作者实现的n=8。高阶的曲线有更大的曲率,能够调节的范围更大。
上面提到的高阶曲线可以在更宽的动态范围内调整图像,但由于α应用于所有的像素,所以仍为图像全局的调整。这种全局的调整会导致局部区域过曝或者过暗,为了解决这个问题,作者重新定义α为一个pixel-wise参数(即每个像素点都有其对应的曲线)。
【non-reference loss】
- Spatial Consistency Loss.
- Exposure Control Loss
希望曝光度适中,E=0.6
- Color Constancy Loss
三通道均衡
- Illumination Smoothness Loss.
亮度满足TV
贴一张主观结果