要約
低照度画像増強（Low-light Image Enhancement, LIE）は、低照度条件下で撮影された画像のコントラストを向上させ、詳細を回復することを目的としています。従来のLIE手法の多くは、単一の入力画像を用いて、いくつかの手作業で設計された事前知識（handcrafted priors）に基づいて照度を調整するものでした。しかし、こうした手法は単一画像からの情報量に限界があること、および手作業で設計された事前知識の適応性が低いことから、画像の詳細を十分に復元できない場合が多くあります。こうした課題に対処するため、本研究では低照度画像ペアから適応的な事前知識を学習する非教師あり手法であるPairLIEを提案します。まず、ネットワークが同一の画像コンテンツを持つ2つの入力に対して同一のクリーン画像を生成することを期待します。これを実現するために、Retinex理論に基づいた制約を導入し、2つの反射成分が一貫性を持つようにします。第二に、Retinex分解を支援するために、単純な自己教師ありメカニズムを用いて、元画像から不適切な特徴を除去する手法を提案します。公開データセットを用いた広範な実験の結果、PairLIEはよりシンプルなネットワーク構造と少ない手作業による事前知識で、最先端の手法と同等の性能を達成することを示しました。コードは以下のURLから公開されています：https://github.com/zhenqifu/PairLIE。