Amélioration non supervisée d’images en faible éclairage par priorité d’égalisation d’histogramme

Les méthodes basées sur l’apprentissage profond pour l’amélioration des images en faible éclairage nécessitent généralement de vastes ensembles de données d’entraînement appariées, qui sont pratiquement impossibles à acquérir dans des scénarios réels. Récemment, des approches non supervisées ont été explorées afin d’éliminer la dépendance aux données d’entraînement appariées. Toutefois, ces méthodes présentent une performance instable dans diverses situations réelles en raison de l’absence de connaissances a priori. Pour remédier à ce problème, nous proposons une méthode non supervisée d’amélioration des images en faible éclairage fondée sur un prior efficace, appelé histogram equalization prior (HEP). Notre travail s’inspire d’une observation intéressante : les cartes de caractéristiques des images améliorées par égalisation d’histogramme et les images de référence (ground truth) sont similaires. Plus précisément, nous formulons le HEP afin de fournir une richesse d’informations texturelles et lumineuses. Intégré dans un module appelé Light Up Module (LUM), ce prior permet de décomposer les images en faible éclairage en cartes d’illumination et de réflectance, lesquelles dernières peuvent être considérées comme des images restaurées. Toutefois, l’analyse fondée sur la théorie de Retinex révèle que les cartes de réflectance sont contaminées par du bruit. Nous introduisons donc un module de désentrelacement du bruit (Noise Disentanglement Module, NDM), qui permet de séparer efficacement le bruit du contenu dans les cartes de réflectance, avec l’aide fiable d’images propres non appariées. Guidée par le prior d’égalisation d’histogramme et le désentrelacement du bruit, notre méthode permet de restaurer des détails plus fins et de mieux supprimer le bruit dans des scénarios réels en faible éclairage. Des expériences étendues montrent que notre approche se distingue favorablement des algorithmes de pointe non supervisés pour l’amélioration des images en faible éclairage, et même égale les meilleurs algorithmes supervisés.