LEDNet : Amélioration et Défloutage Conjoints en Conditions de Faible Luminosité dans l'Obscurité

La photographie nocturne souffre généralement de problèmes liés à la faible luminosité et au flou, dus à l'environnement sombre et à l'utilisation courante d'expositions longues. Bien que les méthodes existantes de renforcement lumineux et de défloutage puissent traiter chaque problème individuellement, une cascade de ces méthodes ne peut pas fonctionner harmonieusement pour faire face à la dégradation conjointe de la visibilité et des textures. L'entraînement d'un réseau de bout en bout est également impossible car aucune donnée appariée n'est disponible pour caractériser la coexistence de faibles niveaux de lumière et de flous. Nous abordons ce problème en introduisant un nouveau pipeline de synthèse de données qui modélise des dégradations réalistes dues au flou en faible lumière. Grâce à ce pipeline, nous présentons le premier ensemble de données à grande échelle pour le renforcement lumineux et le défloutage conjoints en faible lumière. Cet ensemble de données, appelé LOL-Blur, contient 12 000 paires d'images (faiblement floues/peu lumineuses et normalement nettes/lumineuses) avec divers niveaux d'obscurité et de flou de mouvement dans différentes situations. Nous proposons également un réseau efficace, nommé LEDNet, pour effectuer le renforcement lumineux et le défloutage conjoints en faible lumière. Notre réseau est unique car il est spécialement conçu pour prendre en compte la synergie entre ces deux tâches interconnectées. À la fois l'ensemble de données proposé et le réseau fournissent une base solide pour cette tâche complexe. De nombreuses expériences montrent l'efficacité de notre méthode sur des ensembles de données synthétiques et réels.