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
心事全在脸上关注了科研通微信公众号
2秒前
林贞宝宝完成签到,获得积分20
2秒前
飞飞完成签到,获得积分10
3秒前
叼面包的数学狗完成签到 ,获得积分10
4秒前
大气傲易完成签到 ,获得积分10
4秒前
菠菜应助科研通管家采纳,获得100
7秒前
彭于彦祖应助科研通管家采纳,获得30
7秒前
xiaojcom应助科研通管家采纳,获得10
7秒前
星辰大海应助科研通管家采纳,获得10
7秒前
7秒前
科研通AI2S应助科研通管家采纳,获得10
7秒前
orixero应助科研通管家采纳,获得10
7秒前
汉堡包应助科研通管家采纳,获得10
7秒前
思源应助科研通管家采纳,获得10
7秒前
慕青应助科研通管家采纳,获得30
7秒前
8秒前
9秒前
Zer完成签到,获得积分10
11秒前
迷你的雁枫完成签到 ,获得积分10
11秒前
聪明伶俐的猪猪侠完成签到,获得积分10
12秒前
fuiee完成签到,获得积分10
12秒前
欣欣完成签到 ,获得积分10
12秒前
lqq的一家之主完成签到,获得积分10
14秒前
瀚子完成签到,获得积分10
18秒前
壮观千筹发布了新的文献求助10
19秒前
YC2完成签到,获得积分10
19秒前
无花果应助隐形的巴豆采纳,获得10
20秒前
21秒前
隐形的巴豆完成签到,获得积分10
23秒前
眼睛大的从雪完成签到,获得积分10
24秒前
开心幻悲完成签到 ,获得积分10
28秒前
Isaacwg168完成签到,获得积分10
28秒前
Hale完成签到,获得积分0
28秒前
科研虫关注了科研通微信公众号
29秒前
我是老大应助漂洋过海采纳,获得10
30秒前
szj完成签到,获得积分10
30秒前
潇洒的天与完成签到,获得积分10
31秒前
32秒前
天气好的话完成签到,获得积分10
33秒前
桂宝必胜发布了新的文献求助30
34秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Evolution 3rd edition 1500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
2-Acetyl-1-pyrroline: an important aroma component of cooked rice 500
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 3187116
求助须知:如何正确求助?哪些是违规求助? 2837073
关于积分的说明 8012661
捐赠科研通 2499486
什么是DOI,文献DOI怎么找? 1334462
科研通“疑难数据库(出版商)”最低求助积分说明 637194
邀请新用户注册赠送积分活动 605075