Retinexformer: 1段階のRetinexベースのトランスフォーマーによる低輝度画像の強化

低光画像の強化において、多くの深層学習アルゴリズムはレチネックス理論に基づいています。しかし、レチネックスモデルは暗い部分に隠されている腐敗や明るくする過程で導入される腐敗を考慮していません。さらに、これらの方法は通常、煩雑な多段階のトレーニングパイプラインを必要とし、畳み込みニューラルネットワークに依存しているため、長距離の依存関係を捉えることに制限があります。本論文では、単純でありながら原理的な一段階レチネックスベースフレームワーク（One-stage Retinex-based Framework: ORF）を定式化します。ORFはまず、照明情報を推定して低光画像を明るくし、次に腐敗を修復して強化された画像を生成します。私たちは異なる照明条件を持つ領域間の非局所的相互作用のモデリングを指揮するために、照明表現を利用するIllumination-Guided Transformer (IGT) を設計しました。IGTをORFに組み込むことで、当方のアルゴリズムであるRetinexformerが得られます。包括的な定量的および定性的実験により、Retinexformerが13つのベンチマークで最先端の手法を大幅に上回ることが示されました。ユーザースタディと低光物体検出への応用も当方の手法が持つ潜在的な実用価値を明らかにしています。コード、モデル、および結果は https://github.com/caiyuanhao1998/Retinexformer で公開されています。