Retinexformer 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Retinexformer 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。

Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement

retinexformer,论文阅读笔记,论文阅读,笔记

清华大学、维尔兹堡大学和苏黎世联邦理工学院在ICCV2023的一篇transformer做暗图增强的工作，开源。
文章认为，Retinex的 $I=R\odot L$ 假设干净的R和L，但实际上由于噪声，并不干净，所以分别为L和R添加干扰项，把公式改成如下：
本文采用先预测 $\overline L$ 再使用 $I\odot\overline L$ 来预测增强结果的retinex范式。结合上面公式可以得到：
其中第一项是因为假设 $L\odot\overline L=1$ ，所以第一项是我们要的增加结果，是干净的R，而第二项是由于 $\hat L$ 引进的干扰，即过曝或欠曝的干扰，第三项是 $\hat R$ 引进的干扰，即噪声和伪影。第二项第三项统称为corruption，得到下式：

由于 $I_{lu}$ 还包含corruption，它并不是我们要的最终增强结果。我们可以先估计 $I_{lu}$ ，再将其中的C去掉，得到最终的增强结果
网络结构如下图所示，其中 $L_p$ 是图片的三通道均值。下面的图对模块的展开方式有点奇怪。其实就是对concate后的亮度图和原图，提取 $\overline L$ 和特征 $F_{lu}$ ，然后用 $F_{lu}$ 对后面的修复过程中transformer 的V 进行rescale，也就是用在了illumination-guided attention block。后面的修复过程就是把初步的增强结果进行细化，抑制过曝区域，去噪的过程。