低光增强通过带有光照引导的编码器-解码器网络实现-计算机科学-编码器-解码器网络-生成对抗网络-U-Net-低光照增强.pdf

低光增强通过带有光照引导的编码器-解码器

网络实现

Le-AnhTran,ChungNguyenTran,Ngoc-LuuNguyen,NhanCachDang,

JordiCarrabina,DavidCastells-Rufas,andMinhSonNguyen

摘要—本文介绍了一种用于低光照图像增强的新颖深度学霾。尽管EDN-GTM在雾霾去除方面表现非常出色，但

习框架，名为带照明引导的编解码网络（EDNIG）。基于U-Net其依赖于为大气散射特别设计的传输图限制了它直接

架构，EDNIG集成了从亮通道先验（BCP）导出的照明图作为应用于低光增强领域，在这个领域，光照分布是更为关

指导输入。这种照明引导帮助网络专注于曝光不足的区域，有效

键的因素。然而，由于EDN-GTM架构的优势，包括使

引导增强过程。为了进一步提升模型的表现力，引入了空间金字

塔池化（SPP）模块以提取多尺度上下文特征，使网络能够更好用空间金字塔池化（SPP）[9]进行多尺度特征提取，其

本地处理各种光照条件。此外，采用Swish激活函数以确保训练过整体架构对于图像恢复任务仍然具有前景。

译程中梯度传播更平滑。EDNIG在一个生成对抗网络（GAN）框受EDN-GTM在图像恢复方面成功的启发，我们

中架内进行优化，并使用结合了对抗损失、像素级均方误差（MSE）提出了一种新的EDN-GTM框架适应方案用于低光图

1和感知损失的复合损失函数。实验结果表明，与现有最先进的方像增强。具体来说，我们将透射图替换为来自亮通道

v法相比，EDNIG在定量指标和视觉质量方面都表现出竞争力，

0同时保持较低的模型复杂度，证明了其适用于实际应用。本工作先验(BCP)[11]的光照图，并引入了带有光照引导的

6编码器-解码器网络(ENDIG)。该光照图估计场景中光

3的源代码可在/tranleanh/ednig获得。

3IndexTerms—低光照增强，U-Net，编码器-解码器网络，强度的空间分布，作为此任务的自然指导。通过将低

1.生成对抗网络，照明引导。光RGB图像及其光照图输入到编码器-解码器网络中，

7

0ENDIG学习在保持结构完整性和抑制噪声的同时提升

5I.介绍可见度。通过将焦点从透射转向光照，我们旨在不仅推

2

:进低光图像增强技术，还提供一个灵活框架以适应相关

v低光图像增强仍然是计算机视觉中的一个关键挑

i图像恢复任务。简而言之，本工作的贡献是三方面的：

x战，其应用范围涵盖了夜间摄影、监控、自动驾驶和医

r1)创新性地应用光照图引导深度学习管道；2)专为低

a学成像。在低光条件下捕获的图像通常存在能见度差、

光恢复设计的优化网络架构；3)在多种场景下的实验

对比度降低以及噪声放大等问题，这些问题会恶化人类

评估，展示了在视觉质量和定量指标方面性能提升的同

感知并影响下游任务（如目标检测和识别）的表现。针

时减少了模型复杂度。

对这个问题的传统方法包括直方图均衡化[1]和伽玛校

本文的其余部分组织如下：第II节简要描述了相

正[2]，