Apprentissage d’un améliorateur simple d’images en faible éclairage à partir d’instances appariées en faible éclairage

L’amélioration des images en faible éclairage (Low-light Image Enhancement, LIE) vise à améliorer le contraste et à restaurer les détails des images capturées dans des conditions d’éclairage faible. La plupart des algorithmes précédents ajustent l’éclairement à partir d’une seule image d’entrée en s’appuyant sur plusieurs priori artisanaux. Ces approches, toutefois, échouent fréquemment à révéler les détails de l’image en raison de l’information limitée contenue dans une seule image ainsi que de la faible adaptabilité des priori artisanaux. À cet effet, nous proposons PairLIE, une méthode non supervisée qui apprend des priori adaptatifs à partir de paires d’images en faible éclairage. Premièrement, le réseau doit générer la même image nette pour les deux entrées, puisque celles-ci partagent le même contenu visuel. Pour atteindre cet objectif, nous imposons au réseau de respecter la théorie de Retinex et assurons la cohérence des deux composantes de réflectance. Deuxièmement, afin d’aider la décomposition de Retinex, nous proposons de supprimer les caractéristiques inappropriées présentes dans l’image brute à l’aide d’un mécanisme auto-supervisé simple. Des expérimentations étendues sur des jeux de données publics montrent que PairLIE atteint des performances comparables à celles des méthodes de pointe, tout en utilisant un réseau plus simple et un nombre réduit de priori artisanaux. Le code est disponible à l’adresse suivante : https://github.com/zhenqifu/PairLIE.