亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

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
仵雨桐关注了科研通微信公众号
3秒前
jw82完成签到,获得积分10
7秒前
8秒前
8秒前
qixinyi完成签到,获得积分10
8秒前
小马甲应助无奈的香芦采纳,获得30
9秒前
bkagyin应助幸运幸福采纳,获得30
12秒前
小点点发布了新的文献求助10
14秒前
酷酷德发布了新的文献求助10
14秒前
小凉完成签到 ,获得积分10
17秒前
科研通AI2S应助科研通管家采纳,获得10
18秒前
随机子应助科研通管家采纳,获得10
19秒前
打打应助科研通管家采纳,获得10
19秒前
仵雨桐发布了新的文献求助10
19秒前
22秒前
27秒前
酷酷德完成签到,获得积分10
28秒前
谨慎颜演完成签到 ,获得积分10
32秒前
端庄向雁完成签到,获得积分10
34秒前
晒太阳比赛冠军完成签到 ,获得积分10
37秒前
pinklay完成签到 ,获得积分10
40秒前
41秒前
2233发布了新的文献求助10
48秒前
心动nofear完成签到 ,获得积分10
49秒前
无味完成签到 ,获得积分10
50秒前
迷路安白完成签到 ,获得积分10
54秒前
m(_._)m完成签到 ,获得积分0
59秒前
稳重完成签到 ,获得积分10
1分钟前
狂野晓蕾完成签到,获得积分10
1分钟前
Hello应助去去去去采纳,获得10
1分钟前
鱼鱼发布了新的文献求助10
1分钟前
1分钟前
大壮完成签到,获得积分10
1分钟前
Sophist发布了新的文献求助10
1分钟前
Betty完成签到 ,获得积分10
1分钟前
鱼鱼完成签到,获得积分10
1分钟前
无奈的香芦完成签到 ,获得积分10
1分钟前
Sophist完成签到,获得积分10
1分钟前
情怀应助Minerva采纳,获得10
1分钟前
1分钟前
高分求助中
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
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
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 3183668
求助须知:如何正确求助?哪些是违规求助? 2833619
关于积分的说明 7995225
捐赠科研通 2495945
什么是DOI,文献DOI怎么找? 1331799
科研通“疑难数据库(出版商)”最低求助积分说明 636425
邀请新用户注册赠送积分活动 603582