牛玉贞 林晓锋 许煌标 李悦洲 陈羽中

在极弱光、背光等环境下,拍摄图像往往呈现低质量,大幅降低如目标检测、图像分割等高层视觉任务的性能[1].因此,学者们提出低照度图像增强技术,旨在解决图像存在的亮度不足、图像噪声、颜色偏差、细节模糊等问题[2],提升低照度图像的可视性与质量,一方面更符合人类视觉感知特性,另一方面为下游任务提供更有效的信息.然而,低照度图像存在不同粒度的各类信息,而这些粒度往往内嵌于不同尺度中难以获得,因此低照度图像增强仍极具挑战性.

早期对低照度图像增强的研究主要基于直方图均衡化的方法[3-6]和基于Retinex理论的方法[7-10].基于直方图均衡化的方法扩大图像像素的动态范围,提高图像对比度,而基于Retinex理论的方法将低照度图像分解成反射图和光照图,并对它们进行加权合成,提高图像质量.这两类传统方法主要依赖手工设计的映射函数、光照图操作以及参数调整,研究往往受限于人工经验,缺乏数据驱动.

近年来,学者们提出许多基于深度学习方法.一些方法[11-12]将Retinex理论与深度学习结合,通过两个子神经网络增强反射图和光照图.此类方法有效提高图像亮度,但容易产生细节丢失、颜色不真实等问题.另一些方法[13-16]注重网络架构设计,设计生成器和判别器、神经架构搜索、特定曲线估计等各领域主流架构,实现低照度图像增强,但缺乏对低照度图像增强任务的特定应用研……