Kindling the Darkness: A Practical Low-light Image Enhancer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Kindling the Darkness: A Practical Low-light Image Enhancer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。

Kindling the Darkness: A Practical Low-light Image Enhancer论文阅读笔记,论文阅读笔记,论文阅读,笔记

这是ACMMM2019的一篇有监督暗图增强的论文，KinD
其网络结构如下图所示：
首先是一个分解网络分解出R和L分量，然后有Restoration-Net和Adjustment-Net分别去对R分量和L分量进一步处理，最终将处理好的R分量和L分量融合回去。这倒是很常规的流程。其中有些novel的细节，一个是分解网络利用得到的R分量来指导L分量的提取。一个是可控的亮度调节模块

分解网络

分解网络的损失函数如下：其中前两个损失很常见，分别是重建损失和暗图亮图具有相同R的约束。第三个损失是L分量的平滑损失，不过用原图的梯度进行归一化，以使得暗图的边缘区域得以保留；第四个损失同样是对L分量的平滑损失，这里则是用一个曲线使得梯度值居中的部分（噪声）平滑掉
$L^{LD}_{is}=$

R的重建网络

restoration net的损失函数如下，是暗图的R的修复结果和亮图的R的各种距离度量：

I 的调整网络

illumination adjustment net的输入除了分解网络估计的 $L$ ，还有一个全为 $\alpha$ 的concatenate到 $L$ 的feature map， $\alpha$ 表示调节因子，可以用目标 $L$ 除以输入的 $L$ 去global average得到。网络的功能是将输入的 $L$ 调整为target的 $L$ 。这一方法相比其它retinex的方法直接对 $L$ 进行gamma校正的手段，具有更好的效果。
这一模块的损失函数如下，这一损失要算两次的，一次是暗图的 $L$ 作为输入，亮图的 $L$ 作为target，一次是反过来：

Kindling the Darkness: A Practical Low-light Image Enhancer论文阅读笔记,论文阅读笔记,论文阅读,笔记

实验结果

方法的可视化效果和NIQE都非常不错，在LOL上的PSNR也很高：
Kindling the Darkness: A Practical Low-light Image Enhancer论文阅读笔记,论文阅读笔记,论文阅读,笔记

文章来源地址https://www.toymoban.com/news/detail-626066.html