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
maohui完成签到,获得积分10
刚刚
CYH完成签到,获得积分10
刚刚
2秒前
研友_nPbeR8完成签到,获得积分10
2秒前
星离zjp发布了新的文献求助10
2秒前
梅杰应助诩阽采纳,获得10
2秒前
星辰大海应助科研通管家采纳,获得10
2秒前
今后应助科研通管家采纳,获得10
2秒前
CipherSage应助科研通管家采纳,获得10
2秒前
金刚经应助科研通管家采纳,获得10
2秒前
科研通AI2S应助科研通管家采纳,获得10
2秒前
小新应助科研通管家采纳,获得10
2秒前
Akim应助科研通管家采纳,获得10
2秒前
2秒前
orixero应助春风不相识采纳,获得10
2秒前
充电宝应助科研通管家采纳,获得10
3秒前
科目三应助科研通管家采纳,获得10
3秒前
搜集达人应助科研通管家采纳,获得10
3秒前
haowu发布了新的文献求助10
3秒前
宗代芙发布了新的文献求助10
3秒前
weiwei完成签到,获得积分10
6秒前
99应助222采纳,获得10
6秒前
banbieshenlu完成签到,获得积分10
6秒前
7秒前
Crazy_Runner发布了新的文献求助10
8秒前
9秒前
10秒前
充电宝应助哈哈哈采纳,获得10
11秒前
提纳里的尾巴毛完成签到,获得积分10
11秒前
12秒前
12秒前
12秒前
牛马一生完成签到,获得积分10
12秒前
宗代芙完成签到,获得积分10
13秒前
淡定静白完成签到,获得积分10
13秒前
无花果应助onetec采纳,获得10
14秒前
Promise发布了新的文献求助10
14秒前
小朋友发布了新的文献求助10
15秒前
11发布了新的文献求助30
15秒前
民民哥发布了新的文献求助50
15秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
India's foreign trade policy and its performance in the world economy 450
Dictionary of socialism 350
Mixed-anion Compounds 300
Geochemistry, 2nd Edition 地球化学经典教科书第二版 300
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 3196026
求助须知:如何正确求助?哪些是违规求助? 2844745
关于积分的说明 8051428
捐赠科研通 2509434
什么是DOI,文献DOI怎么找? 1341686
科研通“疑难数据库(出版商)”最低求助积分说明 639229
邀请新用户注册赠送积分活动 608439