图像增强论文精读笔记-Deep Retinex Decomposition for Low-Light Enhancement(Retinex-Net)

1. 论文基本信息

• 论文标题：Deep Retinex Decomposition for Low-Light Enhancement

• 作者：Chen Wei等

• 发表时间和期刊：2018；BMVC

• 论文链接：https://arxiv.org/abs/1808.04560

 

2. 研究背景和动机

        低光照条件下拍摄的图像会显著降低可见性，导致细节丢失和对比度降低，从而影响主观体验和计算机视觉系统的性能。为了解决这些问题，低光照图像增强技术被广泛需求。尽管已有多种增强方法，但它们在图像分解模型能力和参数调整方面存在局限性。为了克服这些挑战，提出了一种基于数据驱动的Retinex分解方法，旨在提高低光照图像的视觉质量和可用性。

3. 主要贡献

        (1) 构建了一个由真实场景拍摄得到的成对低光/正常光的图像数据集，这是low-light enhancement领域的第一次尝试；

        (2) 构建了一个基于Retinex模型的图像分解网络；

        (3) 对于深度图像分解提出了一个结构感知的total variation constraint，其在能够成功地平滑光照图的同时，保持图像的主体结构。

4. 方法和模型

        网络总体架构图如下。增强的过程分为三部分：分解、调整、结合。在分解过程中，由子网络Decom-Net将成对图像分解为reflectance(颜色图)以及illumination(亮度图)。在调整过程中，网络会使illumination变亮，同时reflectance上的噪声也被移除。最后，结合reflectance以及illumination得到增强结果。        

其损失函数由如下三部分构成，分别是重建损失(reconstruction loss)、颜色一致性损失(invariable reflectance)、亮度平滑(illumination smoothness)损失：

5. 个人理解和反思

        这篇文章提出的数据集个数是500对图像，从现在的角度审视，其数量实在是太少。但是在作者发表的时代也足以成为眼目一新的工作。AI的发展实在是太快了。