Unüberwachte Verbesserung von Bildern bei schlechten Lichtverhältnissen mittels Histogrammgleichheitsprior

Basiert auf tiefem Lernen entwickelte Methoden zur Verbesserung von Dunkelbildern erfordern typischerweise enorme Mengen an Paartrainingsdaten, die in realen Szenarien praktisch nicht erfasst werden können. In jüngster Zeit wurden unüberwachte Ansätze untersucht, um die Abhängigkeit von solchen Paardaten zu beseitigen. Diese zeigen jedoch unzuverlässiges Verhalten in vielfältigen realen Anwendungsszenarien, da sie auf fehlende Vorwissen (Priors) angewiesen sind. Um dieses Problem anzugehen, schlagen wir eine unüberwachte Methode zur Verbesserung von Dunkelbildern vor, die auf einem effektiven Prior basiert, den wir Histogrammgleichgewichts-Prior (HEP, histogram equalization prior) nennen. Unsere Arbeit wurde durch die interessante Beobachtung motiviert, dass die Merkmalskarten eines durch Histogrammgleichgewicht verbesserten Bildes und die entsprechende Referenz (Ground Truth) ähnlich sind. Konkret formulieren wir den HEP, um reichhaltige Texturen- und Helligkeitsinformationen bereitzustellen. Integriert in ein Light Up Module (LUM), ermöglicht er die Zerlegung von Dunkelbildern in Helligkeits- und Reflektionskarten, wobei die Reflektionskarten als rekonstruierte Bilder interpretiert werden können. Die Ableitung auf Basis der Retinex-Theorie zeigt jedoch, dass die Reflektionskarten durch Rauschen beeinträchtigt sind. Daher führen wir ein Noise Disentanglement Module (NDM) ein, das das Rauschen von den Inhaltsinformationen in den Reflektionskarten mit Hilfe unpaariger, sauberer Bilder zuverlässig trennt. Durch die Kombination aus Histogrammgleichgewichts-Prior und Rauschentkoppelung kann unsere Methode feinere Details rekonstruieren und in realen Dunkelbild-Szenarien effektiver Rauschen unterdrücken. Umfangreiche Experimente zeigen, dass unsere Methode den aktuellen Stand der Technik bei unüberwachten Verfahren zur Dunkelbildverbesserung übertrifft und sogar den besten überwachten Algorithmen nahekommt.