Self-Supervised Low-Light Image Enhancement Using Discrepant Untrained Network Priors

颜色恒定性 人工智能 计算机科学 计算机视觉 模式识别(心理学) 先验概率 降噪 人工神经网络 图像(数学) 监督学习 贝叶斯概率
作者
Jinxiu Liang,Yong Xu,Yuhui Quan,Boxin Shi,Hui Gao
出处
期刊:IEEE Transactions on Circuits and Systems for Video Technology [Institute of Electrical and Electronics Engineers]
卷期号:32 (11): 7332-7345 被引量:12
标识
DOI:10.1109/tcsvt.2022.3181781
摘要

This paper proposes a deep learning method for low-light image enhancement, which exploits the generation capability of Neural Networks (NNs) while requiring no training samples except the input image itself. Based on the Retinex decomposition model, the reflectance and illumination of a low-light image are parameterized by two untrained NNs. The ambiguity between the two layers is resolved by the discrepancy between the two NNs in terms of architecture and capacity, while the complex noise with spatially-varying characteristics is handled by an illumination-adaptive self-supervised denoising module. The enhancement is done by jointly optimizing the Retinex decomposition and the illumination adjustment. Extensive experiments show that the proposed method not only outperforms existing non-learning-based and unsupervised-learning-based methods, but also competes favorably with some supervised-learning-based methods in extreme low-light conditions.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
一白完成签到 ,获得积分10
4秒前
nicheng完成签到 ,获得积分0
4秒前
洸彦完成签到 ,获得积分10
6秒前
Garfield完成签到 ,获得积分10
9秒前
QCB完成签到 ,获得积分10
10秒前
杨永佳666完成签到 ,获得积分10
10秒前
Murphy完成签到,获得积分10
10秒前
现实的曼安完成签到 ,获得积分10
18秒前
迷你的夜天完成签到 ,获得积分10
19秒前
CooL完成签到 ,获得积分10
20秒前
lmy完成签到 ,获得积分10
22秒前
bzdjsmw完成签到 ,获得积分10
25秒前
是我呀小夏完成签到 ,获得积分10
36秒前
LQX2141完成签到 ,获得积分10
37秒前
whitepiece完成签到,获得积分10
44秒前
奋斗的妙海完成签到 ,获得积分0
1分钟前
1分钟前
友好的牛排完成签到,获得积分10
1分钟前
flj7038完成签到,获得积分0
1分钟前
璐璐完成签到 ,获得积分10
1分钟前
陈秋发布了新的文献求助10
1分钟前
RLF完成签到,获得积分20
1分钟前
chenying完成签到 ,获得积分0
1分钟前
kk完成签到 ,获得积分10
1分钟前
活泼的寒安完成签到 ,获得积分10
1分钟前
LL完成签到,获得积分10
1分钟前
DddZS完成签到 ,获得积分10
1分钟前
Gang完成签到,获得积分10
1分钟前
璇璇完成签到 ,获得积分10
1分钟前
唯有一个心完成签到 ,获得积分10
1分钟前
学术完成签到 ,获得积分10
1分钟前
初次完成签到 ,获得积分10
1分钟前
liangguangyuan完成签到 ,获得积分10
1分钟前
1分钟前
xiahongmei完成签到 ,获得积分10
1分钟前
连难胜完成签到 ,获得积分10
2分钟前
onevip完成签到,获得积分10
2分钟前
陈秋完成签到,获得积分10
2分钟前
2分钟前
WWW发布了新的文献求助10
2分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Write Like a Chemist: A Guide and Resource (第二版) 600
Mixed-anion Compounds 600
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Earth System Geophysics 500
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Geochemistry, 2nd Edition 地球化学经典教科书第二版 401
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3200807
求助须知:如何正确求助?哪些是违规求助? 2850569
关于积分的说明 8072421
捐赠科研通 2514308
什么是DOI,文献DOI怎么找? 1347050
科研通“疑难数据库(出版商)”最低求助积分说明 640332
邀请新用户注册赠送积分活动 610520