Bilevel Fast Scene Adaptation for Low-Light Image Enhancement

计算机科学 人工智能 适应性 初始化 CRF公司 超参数 机器学习 适应(眼睛) 计算机视觉 模式识别(心理学) 生态学 生物 光学 物理 条件随机场 程序设计语言
作者
Long Ma,Dian Jin,Nan An,Jinyuan Liu,Xin Fan,Risheng Liu
出处
期刊:Cornell University - arXiv
标识
DOI:10.48550/arxiv.2306.01343
摘要

Enhancing images in low-light scenes is a challenging but widely concerned task in the computer vision. The mainstream learning-based methods mainly acquire the enhanced model by learning the data distribution from the specific scenes, causing poor adaptability (even failure) when meeting real-world scenarios that have never been encountered before. The main obstacle lies in the modeling conundrum from distribution discrepancy across different scenes. To remedy this, we first explore relationships between diverse low-light scenes based on statistical analysis, i.e., the network parameters of the encoder trained in different data distributions are close. We introduce the bilevel paradigm to model the above latent correspondence from the perspective of hyperparameter optimization. A bilevel learning framework is constructed to endow the scene-irrelevant generality of the encoder towards diverse scenes (i.e., freezing the encoder in the adaptation and testing phases). Further, we define a reinforced bilevel learning framework to provide a meta-initialization for scene-specific decoder to further ameliorate visual quality. Moreover, to improve the practicability, we establish a Retinex-induced architecture with adaptive denoising and apply our built learning framework to acquire its parameters by using two training losses including supervised and unsupervised forms. Extensive experimental evaluations on multiple datasets verify our adaptability and competitive performance against existing state-of-the-art works. The code and datasets will be available at https://github.com/vis-opt-group/BL.

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
刚刚
刚刚
1秒前
1秒前
赵宝正完成签到,获得积分10
2秒前
123完成签到,获得积分10
2秒前
张磊发布了新的文献求助10
2秒前
3秒前
3秒前
李哈哈发布了新的文献求助10
3秒前
在水一方应助ruter采纳,获得10
4秒前
某艺发布了新的文献求助30
4秒前
ylc完成签到,获得积分10
4秒前
4秒前
Brigitte发布了新的文献求助200
4秒前
4秒前
4秒前
乐乐应助一朵琼花采纳,获得10
4秒前
zhang20082418发布了新的文献求助10
4秒前
嘻嘻印发布了新的文献求助10
5秒前
GNNN完成签到,获得积分10
5秒前
5秒前
wn发布了新的文献求助10
6秒前
碧蓝青寒关注了科研通微信公众号
6秒前
唠叨的小王完成签到 ,获得积分10
6秒前
花花完成签到 ,获得积分20
7秒前
李健应助lmy采纳,获得10
7秒前
李健应助hujiaodawang采纳,获得10
7秒前
yaoccccchen发布了新的文献求助10
7秒前
ylc发布了新的文献求助10
8秒前
CHAOSMS完成签到,获得积分10
8秒前
漠池完成签到,获得积分10
8秒前
enen发布了新的文献求助30
9秒前
小玲仔发布了新的文献求助10
9秒前
9秒前
smr发布了新的文献求助10
10秒前
酷炫翠桃应助谦让的忘幽采纳,获得10
10秒前
ddd发布了新的文献求助10
10秒前
炙热血茗发布了新的文献求助30
11秒前
Akim应助WWWater采纳,获得10
11秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
Fundamentals of Dispersed Multiphase 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 3254828
求助须知:如何正确求助?哪些是违规求助? 2897067
关于积分的说明 8295479
捐赠科研通 2566125
什么是DOI,文献DOI怎么找? 1393555
科研通“疑难数据库(出版商)”最低求助积分说明 652539
邀请新用户注册赠送积分活动 630155