少样本域适应在低光照RAW图像增强中的应用

在极低光照条件下，由于曝光时间短且光照有限，原始图像往往存在严重的噪声和色彩失真，因此对实际低光原始图像进行增强是一项极具挑战性的任务。尽管现有的基于卷积神经网络（CNN）的方法已取得一定成功，但其性能在不同相机域之间缺乏适应性。此外，这些方法通常需要为每个相机域准备大量带有短曝光与对应长曝光真实值（ground truth）的原始图像数据集，而这类数据的采集与标注过程极为繁琐。为解决上述问题，本文提出一种新型的少样本域适应方法，仅需利用已有的源相机标注数据，结合目标相机域中极少数量的标注样本，即可显著提升目标域在极端低光照条件下的图像增强质量。实验结果表明，仅需目标相机域中十张或更少的标注样本，即可实现与使用大规模目标相机标注数据训练模型相当甚至更优的增强效果。为进一步推动该方向的研究，我们还发布了一个新的低光原始图像数据集，该数据集由尼康（Nikon）相机拍摄，包含短曝光图像及其对应的长曝光真实值图像，为低光图像增强与域适应研究提供了高质量的基准数据支持。