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
打打应助胖虎采纳,获得10
刚刚
JJ完成签到,获得积分10
刚刚
ls完成签到,获得积分10
刚刚
1秒前
xy完成签到,获得积分10
1秒前
SciGPT应助Windintone采纳,获得10
1秒前
1秒前
Keep完成签到,获得积分20
1秒前
XiheNiu发布了新的文献求助10
2秒前
2秒前
Lucas应助科研通管家采纳,获得10
2秒前
上官若男应助科研通管家采纳,获得10
2秒前
情怀应助科研通管家采纳,获得10
2秒前
于芋菊应助科研通管家采纳,获得200
2秒前
Frank应助科研通管家采纳,获得10
3秒前
3秒前
香蕉觅云应助科研通管家采纳,获得10
3秒前
慕青应助科研通管家采纳,获得10
3秒前
田様应助科研通管家采纳,获得10
3秒前
3秒前
小蘑菇应助科研通管家采纳,获得10
3秒前
科研通AI2S应助科研通管家采纳,获得10
3秒前
上官若男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
najibveto应助科研通管家采纳,获得10
3秒前
Hello应助科研通管家采纳,获得10
3秒前
Lucas应助科研通管家采纳,获得10
3秒前
lianliyou应助科研通管家采纳,获得20
3秒前
爆米花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
najibveto应助科研通管家采纳,获得10
3秒前
科研通AI2S应助科研通管家采纳,获得10
3秒前
敬老院N号应助科研通管家采纳,获得30
3秒前
3秒前
不配.应助科研通管家采纳,获得10
3秒前
天天快乐应助科研通管家采纳,获得10
4秒前
英俊的铭应助科研通管家采纳,获得10
4秒前
wanci应助科研通管家采纳,获得10
4秒前
脑洞疼应助马某某某某某采纳,获得10
4秒前
领导范儿应助科研通管家采纳,获得10
4秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
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
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 3185320
求助须知:如何正确求助?哪些是违规求助? 2835643
关于积分的说明 8005652
捐赠科研通 2498083
什么是DOI,文献DOI怎么找? 1333269
科研通“疑难数据库(出版商)”最低求助积分说明 636809
邀请新用户注册赠送积分活动 604437