تعلم مُحسّن صورة منخفضة الإضاءة بسيط من أمثلة منخفضة الإضاءة مزدوجة

تحسين الصور في الإضاءة المنخفضة (LIE) يهدف إلى تحسين التباين واستعادة التفاصيل للصور الملتقطة في ظروف إضاءة ضعيفة. تعتمد معظم الخوارزميات السابقة لتحسين الصور في الإضاءة المنخفضة على تعديل الإضاءة باستخدام صورة واحدة كمدخل، مع استخدام عدة معايير مُصاغة يدويًا. ومع ذلك، غالبًا ما تفشل هذه الحلول في كشف التفاصيل الدقيقة بسبب محدودية المعلومات المتوفرة في صورة واحدة، وضعف قدرة المعايير المُصاغة يدويًا على التكيّف. ولحل هذه المشكلة، نقترح PairLIE، وهي منهجية غير مُراقبة تتعلم معايير تكيفية من أزواج من الصور في الإضاءة المنخفضة. أولاً، يُتوقع من الشبكة أن تُنتج صورًا نظيفة متطابقة، نظرًا لأن الصورتين المدخلتين تمتلكان نفس المحتوى البصري. لتحقيق ذلك، نطبق نظرية ريتينكس (Retinex theory) على الشبكة ونضمن تجانس مكوني الانعكاس في الصورتين. ثانيًا، لمساعدة عملية تحليل ريتينكس، نقترح إزالة الميزات غير المناسبة في الصورة الأصلية باستخدام آلية ذاتية التعلم بسيطة. أظهرت التجارب الواسعة على مجموعات بيانات عامة أن PairLIE تحقق أداءً مماثلًا لأفضل الطرق الحالية، مع استخدام شبكة أبسط وعدد أقل من المعايير المُصاغة يدويًا. يمكن الوصول إلى الكود من خلال: https://github.com/zhenqifu/PairLIE.