LIME论文阅读笔记-Toy模板网

这篇具有很好参考价值的文章主要介绍了LIME论文阅读笔记。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

LIME论文阅读笔记

这是暗图增强领域一篇经典的传统方法论文，发表在TIP这个顶刊
文章基于的是这样一个公式：
$L=R\cdot T$
其中， $L$ 是暗图， $R$ 是反射分量， $T$ 是illumination map，并且对于彩色图像来说，三通道都共享相同的illumination map。我们可以使用各种方法估计 $T$ ，又已知 $L$ ，则可以得到反射分量 $R = L / T$ ，并认为反射分量就是增强结果，即亮图。
但文章认为，直接用反射分量 $R$ 来作为增强结果不太合适，因为反射分量失去了形状信息。其实 $R$ 就相当于将 $T$ 修改为全1时的 $L$ 。当 $T$ 不为全一时对应的 $L$ 会是一个更好的增强结果，也即预测一个修改后的 $T$ （ $\hat T$ ），用这个 $\hat T$ 来得到 $\hat R=L/\hat T$ ，这个 $\hat R$ 会是更好的增强结果。总之，就是找到一个好的 $T$ ，使得 $L / T$ 是一个好的增强结果。
采用的优化目标目标如下：
即首先不能离初始化的T太远，初始化的T即暗图各通道最大值；然后是T要平滑。W矩阵取决于先验策略。
上述优化问题的两项都有T，虽然可以通过梯度下降法等通用方法求局部最优解，但是本文用的不是这种方法。文章将上述优化问题用G代替 $\nabla T$ ，变成如下带约束的优化问题：
然后用拉格朗日方程转化为如下优化问题：
可以用ALM优化方法来求最优值，即迭代交替求 $T,G,Z,\mu$ 的最优值。具体每一步的公式推导这里就不展开了。
$W$ 矩阵可以是如下三种形式之一：

或

或
根据算法估计出T后，可以用 $L / T$ 得到增强结果。但此时的增强结果太亮了，可以用gamma校正把分母的T增大，使得增强结果稍微暗一点，文章设的gamma值为0.8。
进一步的，为了去除噪声，可以用BM3D算法对增强结果去噪，文章先对RGB的增强结果转到YUV色彩模式，然后对Y通道做去噪再转回RGB，然后把去噪前后的结果利用T进行重组以避免强亮度区域过模糊：

其中 $R_d$ 即为增强结果
从实验结果上看，LIME的处理速度还是很快的，只需要100次迭代即可收敛，0.78s一张图片。文章来源地址https://www.toymoban.com/news/detail-486884.html