基于直方图均衡化先验的无监督低光照图像增强

基于深度学习的低光照图像增强方法通常需要大量成对的训练数据，而这些数据在真实场景中难以获取。近年来，无监督方法被提出以摆脱对成对数据的依赖，但其在多样化真实场景中表现不稳定，主要原因在于缺乏先验知识。为解决这一问题，本文提出一种基于有效先验——直方图均衡化先验（Histogram Equalization Prior, HEP）的无监督低光照图像增强方法。我们的工作受到一个有趣现象的启发：经过直方图均衡化增强的图像特征图与真实图像（ground truth）之间具有高度相似性。为此，我们构建了HEP，以提供丰富的纹理与亮度信息。该先验被嵌入至一个Light Up模块（Light Up Module, LUM）中，协助将低光照图像分解为光照图与反射图，其中反射图可视为恢复后的图像。然而，基于Retinex理论的分析表明，反射图中不可避免地混入了噪声。为此，我们设计了一个噪声解耦模块（Noise Disentanglement Module, NDM），利用未配对的清晰图像作为可靠参考，有效分离反射图中的噪声与内容信息。在直方图均衡化先验与噪声解耦机制的双重引导下，所提方法能够更精细地恢复图像细节，并在真实低光照场景中展现出更强的噪声抑制能力。大量实验结果表明，该方法在性能上优于当前最先进的无监督低光照增强算法，甚至可与最先进的有监督方法相媲美。