Kindling the Darkness: A Practical Low-light Image Enhancer

Problems

•它提出了低光照增强任务存在的三个难点： 

•（1）如何有效的从单张图像中估计出光照图成分，并且可以灵活调整光照level? 

•（2）在提升图像亮度后，如何移除诸如噪声和颜色失真之类的退化？ 

•（3）在没有ground-truth的情况下，样本数目有限的情况下，如何训练模型？ 

Contribution

•受Retinex理论的启发，提出的网络将图像分解为两个分量，即反射和照明，将原始空间分解为两个较小的分量。
•网络使用在不同光照/曝光条件下捕获的成对图像进行训练，而不是使用任何groud-truth反射和照明信息。

•我们设计的模型提供了一个映射功能，可以根据用户的不同需求灵活地调整亮度。 

•提议的网络还包含一个模块，该模块能够有效地消除通过照亮黑暗区域而放大的视觉缺陷。 

•进行了广泛的实验，以证明我们的设计的有效性及其相对于最先进的替代品的优越性

Architecture

Layer Decomposition Net

Reflectance Restoration Net 

Illumination Adjustment Net 

Illumination Adjustment Net 

Experiences

•Dataset : LOL dataset which includes 500 low/normal-light image pairs.  

•Device : Nvidia GTX 2080Ti GPU and Intel Core i7-8700 3.20GHz CPU  

•Framework : Tensorflow 

•Evaluating Indicator :PSNR、SSIM、LOE、NIQE 

Results

Conclusion