Lernen eines einfachen Low-Light-Bildverbesserungsverfahrens aus gepaarten Low-Light-Instanzen

Die Verbesserung von Bildern unter niedrigen Lichtverhältnissen (Low-light Image Enhancement, LIE) zielt darauf ab, den Kontrast zu steigern und Details in Bildern, die unter schlechten Beleuchtungsbedingungen aufgenommen wurden, wiederherzustellen. Die meisten bisherigen LIE-Algorithmen passen die Beleuchtung mithilfe eines einzigen Eingabebildes an, wobei mehrere handgefertigte Vorwissen (handcrafted priors) verwendet werden. Diese Ansätze stoßen jedoch oft an ihre Grenzen, da sie aufgrund der begrenzten Information in einem einzelnen Bild und der geringen Anpassungsfähigkeit der handgefertigten Vorwissen Schwierigkeiten haben, feine Bilddetails zu rekonstruieren. Um dieses Problem zu lösen, stellen wir PairLIE vor – einen unsupervisierten Ansatz, der adaptive Vorwissen aus Paaren von dunklen Bildern lernt. Zunächst soll das Netzwerk sicherstellen, dass beide Eingabebilder, die denselben Bildinhalt aufweisen, dasselbe klare Bild erzeugen. Um dies zu erreichen, basieren wir auf der Retinex-Theorie und sorgen dafür, dass die beiden Reflexionskomponenten konsistent sind. Zweitens schlagen wir vor, unangemessene Merkmale im Rohbild mittels eines einfachen selbstüberwachten Mechanismus zu entfernen, um die Retinex-Zerlegung zu unterstützen. Umfangreiche Experimente auf öffentlichen Datensätzen zeigen, dass PairLIE eine vergleichbare Leistung wie die aktuell besten Ansätze erzielt, jedoch mit einem einfacheren Netzwerk und weniger handgefertigten Vorwissen. Der Quellcode ist unter folgender URL verfügbar: https://github.com/zhenqifu/PairLIE.