半监督的微光图像增强方法-感知质量驱动的DRBN网络

1从忠实到感知质量：一种半监督的微光图像增强方法杨文涵1，王世奇1，方玉明2，王岳3，刘嘉颖41香港城市大学2江西财经大学3字节跳动科技有限公司公司4北京大学摘要曝光不足会导致一系列视觉退化，即：能见度降低、噪声强、颜色偏差等。为了解决这些问题，我们提出了一种新的半监督学习方法，用于弱光图像增强。提出了一种深度递归带网络（DRBN），用于利用成对的低/正常光图像恢复增强的正常光图像的线性带表示，然后通过基于感知质量驱动的对抗性学习的另一个可学习线性变换重构给定的带来获得改进的线性带表示。该体系结构功能强大，灵活性强，具有使用配对和非配对数据进行训练的优点。一方面，所提出的网络设计得很好，可以提取一系列由粗到细的频带表示，其估计在递归过程中是互利的。另一方面，在DRBN（递归波段学习）的第一阶段中提取的增强图像的波段表示弥合了配对数据的恢复知识与对真正高质量图像的感知质量偏好之间的差距。它的第二阶段（波段重组）通过对抗学习来重组波段表示，以适应高质量图像的感知特性。在这种两阶段设计的帮助下，我们的方法生成了增强的结果，具有良好的重建细节和视觉上的对比度和颜色分布。广泛的评估证明了我们的DRBN的优越性。1. 介绍在弱光条件下，一系列的视觉退化，即可 见 度低、对比度低、噪声大*通讯作者。电邮：shiqwang@cityu.edu.hk。这项工作部分得到了香港ITF UICP基金9440203的支持，部分得到了国家自然科学基金61772043的支持，部分得到了北京自然科学基金L182002的支持，部分得到了国家重点研发计划2018AAA0102700的支持。(a) 投入（b）SICE [2](c)[11]第十一话图1. LOL中真实低光图像上不同方法的视觉效果[30]。SICE[2]是一种最先进的完全监督方法，而EnlightenGAN [11]是一种没有配对监督的无监督我们的DRBN很好地恢复了全局照明，抑制噪声和保留结构细节。in captured捕获images图片.使用更先进的拍摄设备和专业的摄影技术将有利于减轻一些退化。然而，即使使用升级的拍摄设备，仍然难以完全避免噪音的存在。到达摄像头传感器的光线不足，导致场景信号被系统噪声掩盖。 如果采取更长的曝光时间来抑制噪声，这将是有帮助的，然而这会引入模糊。因此，软件端的弱光增强方法备受期待。它旨在将在低光条件下捕获的图像恢复为正常图像，其中期望分别改善、拉伸和抑制可见度、对比度和噪声。 增强过程导致视觉质量的改善，并为高级计算机视觉任务（即对象检测和识别）提供了一个很好的起点。增强弱光图像并不简单，因为噪声通常很容易被放大。在过去的几十年里30633064许多研究人员试图解决这个问题。直方图均衡（HE）方法[23，1]通过拉伸动态范围来增强低光图像，提供不理想的照明和无意放大的强烈噪声。基于Retinex理论的方法[15]分别分解和处理图像的两个层，反射层和照明层。几个过滤器[14，12，28]是是为这种分解而设计的许多工作[7，9，8，18，25]对分解的照明和反射率施加先验。最近，深度学习的繁荣也激发了基于深度学习的用于低光照增强的新方法的发展。这些方法[20，4，2，24，27]学习基于精心准备的成对低/正常光图像和实验室设计的模型来去除相关的复合退化。然而，现有的损失函数没有很好地与人类感知对齐，并且没有捕获图像的固有信号结构，从而导致不令人满意的视觉结果，例如有偏的颜色分布和残留噪声。最近，EnlightenGAN[11]在没有配对监督的情况下创建，其中仅需要具有低/正常光图像（不必要配对）的数据集。该方法证明了利用非配对数据进行学习以实现弱光增强的可行性。然而，如果没有成对的监督，精细的细节就无法恢复，并且在增强的结果中仍然存在强烈的噪声。一般来说，上述流行的基于深度学习的方法可以分为两类。完全监督方法使用配对监督进行训练，其中在训练阶段为详细的信号建模提供地面实况指导。因此，该网络具有更强的抑制噪声和削弱细节的能力。在无监督方法中，成对的低/正常光图像不可用。从不成对的低/正常光图像集合中提取关于增强映射的知识。很容易使这种数据集具有多样化的内容，因此该方法可以学习更自适应地恢复照明，颜色和对比度。综合考虑现有方法的优缺点和潜力，本文提出了一种统一的体系结构，的优点。具体而言，构造了一种新的半监督学习框架，用于弱光图像增强。t.提出了一种深度递归带网络（DRBN），以提供一种带表示来连接从配对监督中获得的信号保真度先验和由未配对的高质量数据集提取的感知视觉质量先验，其中图像由平均意见得分选择。在DRBN的第一阶段，网络在成对的低/正常光图像上进行训练。首先通过使用成对的低/正常光图像进行训练来恢复线性带表示，其估计在递归过程中是互利的。 之后，提取的乐队代表-在DRB-N（递归带学习）的第一阶段中的增强图像的表示用于弥合配对数据的恢复知识与由高质量图像数据集提供的感知质量之间的差距。然后，在DRBN（波段重组）的第二阶段，它通过对抗学习来重组波段表示，以适应高质量图像的视觉特性在这种两阶段设计的帮助下，我们的方法生成了增强的结果，具有良好的重构细节，以及视觉上有希望的对比度和颜色分布。我们的贡献总结如下：• 据我们所知，我们首先尝试提出一个半监督学习框架-工作于低光照图像增强，其中设计了深度递归带表示来连接全监督和无监督框架以整合它们的优势。• 建议的架构设计得很好，可让-t一系列由粗到细的波段表示。的这些频带表示的估计通过能够去除噪声和校正细节的递归方式的端到端训练是相互有益的。• 在质量引导的对抗者的感知指导语言学习基于平均意见得分（MOS）感知地选择用于鉴别器的“真实图像”。据我们所知，这也是低光图像增强任务的第一次试验。2. 相关工作最早的弱光增强方法是均匀地调节照度，这容易导致过曝光和欠曝光，例如直方图均衡化（HE）[23，1]。如果没有局部自适应，增强会导致不期望的照明和强烈的噪声。一些方法[17，35]通过将去雾方法应用于倒置的低光图像来增强可见性。在这些方法中，应用离线去噪操作[5]来抑制噪声，这有时也会导致细节模糊。后来，基于Retinex的方法[15]通过将图像分解为照明和反射层并自适应地调整它们来执行联合照明调整和噪声抑制。各种先验，例如结构感知先验[9]、加权变化[8]和照明的多个导数[7]，用于指导这两个层的操作。Retinex模型的变体，例如单尺度Retinex [14]、多尺度Retinex [12]、自然Retinex [28]和鲁棒Retinex [18，25]，被分解以促进弱光图像增强。这些3065SISInsi−1SI复发t复发t+1（a）递归带学习（配对数据）xt1S3ft1S3fts3xtftS3S3ft1S3Xxt1s3yyxt1ft1ftxtS2S2S2ftft1S2S2ft1fts1xtS2S1ft1 s1xt1S1ftS1S1xn n ns1s2s3高质量图像W鉴别器xF3X向前(b)波段重组LFidL质量LRectConv（步幅=1）Conv（步幅=2）Deconv（步幅=2）跳过连接（未配对数据）图2.提出的深度递归带网络（DRBN）的框架，它包括两个阶段：递归带学习和带重组。（1）在第一阶段，学习由粗到细的频带表示，并在递归过程中联合推断不同的频带信号来自最后一次递归的增强结果被用作下一次递归的指导，并且后一次递归仅负责学习不同尺度下的特征和图像域中的残差（2）在第二阶段中，通过感知质量引导的对抗学习来重构带表示以提高增强的低光图像的感知质量方法在照明调节和小噪声去除方面显示出令人印象深刻的结果。然而，仅使用手工制作的约束，这些方法不够自适应，并且它们的结果呈现出强烈的噪声，并且有时存在曝光不足和曝光过度的局部细节。近年来，基于深度学习的弱光图像增强带来了令人印象深刻的性能提升。Lore等人 [20]首次尝试提出了一种名为Low-Light Net（LLNet）的深度自动编码器，用于增强对比度和去除噪声。随后，提出了基于不同网络设计的各种方法[26，3，24，27，30]。这些方法是在配对数据集上训练的，它们的增强性能在很大程度上取决于t在数据集上。由于合成数据不能完全描述真实场景和真实捕获的退化，3. 用于半监督弱光增强的在本节中，我们首先说明我们的动机。之后，我们将相关的方法转换成一个深度递归带网络（DRBN）的弱光图像增强。3.1. 动机：弥合信号保真度和感知质量递归带学习。成对的训练数据提供强信号保真度约束以校正详细信号。因此，我们首先执行递归频带学习，以根据成对数据 在这个过程中，S。显示增强的 图像，一系列的带表示形式xT，xT，.，x配对数据包括有限种类的场景，这些方法还不完善，特别是不能满足s1s2也从y中产生了进步，其中x=无意识的;i=1xxT。DLE密集的噪音。也有关于基于深度学习的原始图像增强的工作[4]，或者低光图像增强和高级计算机视觉任务的联合任务，例如人脸检测[34]，物体检测[19]等。在我们的工作中，我们专注于RGB格式的低光图像的感知质量改善。与以往的相关研究不同，我们开发了一个半监督框架，其中来自成对和非成对数据集的有用知识被联合使用，为细节信号建模和全局照明，颜色和对比度恢复提供感知指导。Si表示频带表示的阶数。 BronxBronxT是通过对成对的低/正常光数据进行全监督学习来学习的。高阶带xT依赖于低阶带xT-是的连接递归带表示和对抗学习。然而，由于第一阶段的信号保真度约束，无法自然地实现良好的视觉质量因此，受最近基于非配对数据集的图像增强方法的启发，在第二阶段，我们重新组合了第一阶段学习的波段表示，以获得具有更好性能的结果。3066=FxS3=Fx1S31从人类感知的角度来看，是跳过连接（用红色表示），以连接来自浅层的具有相同空间分辨率的Σn -是的TΣΣ x到深层的，这有助于本地信息包含在由浅层产生的特征到达输出。Wi=1y，x=1，x=2，...，x每个BLN在尺度s1= 1/4处产生三个特征，其中w i（·）是用于重组的学习加权参数。它重组增强图像的频带信号几乎没有噪音，s2= 1/2和s3= 1。为了方便起见，我们举例说明递归学习的第一次递归：细节，一个新的一个更优越的照明，con-Σ1 1 1Σ 1f，f，f=F（y），trast和颜色分布，即更好的感知质量，s1s2S3x1BLNF.=F1f1 Σ、（二）从人类视觉的角度来看。s1R s1。 s1 m。 Σx1=F1f1+Fx1，3.2. 深度递归带网络s2R s2。s2Us1.Σ体系结构概述。如图2的1 1s3Rs3S3 + FUs2基于上述动机，我们的网络包括-其中f1，f1，f1是从y中提取的特征，s1s 2s 3由两部分组成：递归频带学习（依赖于成对数据）和频带重组（依赖于非成对数据）。 在递归带学习部分，DRBN被构造为以递归方式基于低光输入恢复正常光图像。中间估计是前一次递推的输出，它作为下一次递推的指导输入，将所有带估计连接在一起形成一个联合估计。我们的DRBN在特征域和图像域都采用了残差学习。也就是说，后一种递归仅用于估计剩余特征和图像以获得更好的估计。在那里-F1（·）是相关的1 1 1BLN F过程;FRs1（·）、FRs2（·）和FRs3（·）是将特征投影回图像域的过程，对应的尺度;FU（·）是上采样过程。图像首先以最粗糙的尺度s1重建。然后，在精细尺度上，残差信号被预测为整个结果的一部分。之后，在第t次递归时，仅在先前估计结果的指导下学习残余特征和图像。y和先前估计的结果x的级联构成输入：因此，后期递归更能模拟构造不不不.t−1Σ细节和抑制噪声。在每一次复发中，提取粗到细的波段表示，然后fs1，ft=FBLN F不y，x等于3，t−1si=fsi+fsi ， i= 1，2，3，合并到增强结果中。这种波段表示提供了一种有效的工具，从配对的学习到的增强知识tt。tΣxs1=FRs1 fs1 、tt。tΣx=Ff+F（三）.tΣx= 0 ，s 2R s 2。s2Us1.Σ图像和高质量图像的数据先验 在乐队重组部分，这个乐队的代表性是饲料-t ts3Rs3t tS3 + FUs2转发到另一个网络，以产生一组transfor- m系数，这些系数线性地操纵和融合这些频带。一个对抗性损失（称为质量损失），判断一个图像是否是感知高质量或不，被用作一个约束。一组高质量的图像，通过平均该公式将所有波段特征紧密连接，形成所有波段的联合优化。在最终重现T（在我们的工作中设置为4）处，如下应用重建损失，. - 是的TΣ。TΣ意见分数，被用来作为人类VI的先验LRect=−φx=3， x+λ1φx≠s2，FD（x，s2）知觉。这样，从信号保真度和人类感知+λ2φ.TΣΣx≠s1，FD（x，s1）、（四）质量是实现的。递归带学习。我们的第一个目标是充分利用配对数据学习的力量来恢复增强图像的每个波段信号。一系列类似于U-Net的深度网络，称为带学习网络（BLN），如图所示。二、 每个BLN投射输入，即级联和最后一次递归的增强结果xt-1，到特征空间中，然后通过几个卷积层变换特征。在中间层中，首先对特征的空间分辨率进行下采样，然后通过步幅卷积和解卷积进行上采样。 那里其中，FD（·）是下采样过程，给定尺度，计算输入图像的SSIM值;λ1和λ2是加权参数。通过这种方式，我们的递归波段学习具有以下优点：• 从最后一次递推推断出的高阶谱带将影响低阶谱带的推断一个在这个循环中。因此，低阶带和高阶带之间的连接是双向的，并且高阶带也为恢复低阶带提供有用的指导。xFxF、.30673Σ33个小时i• 递归估计使得不同的频带能够学习基于先前的估计来校正它们的估计。所有乐队的时间。• 递归学习增强了建模能力。以后的递归只需要恢复残差信号，由来自连续递归的估计引导。因此，可获得准确的估计，并关注精细的细节。乐队重组。利用配对数据的能力，可以很好地学习从低光图像到正常光图像的频带恢复过程，具有很好的恢复细节和抑制噪声。因为信号的保真度特别是对于图像某些全局属性（例如光、颜色分布等）而言。因此，我们进一步使我们的模型通过感知质量指导的对抗学习，在高质量图像数据集的感知指导下学习重构恢复的频带信号。基于MOS值从美学视觉分析数据集[21]中选择的高质量图像用于表示先验人类感知的知识。 另一个U型网络也被用来模拟重组过程FRC（·）生成系数，以重组频带信号如下，增强的图像具有未配对数据集的感知指导，其中高质量图像用作人类视觉感知的先验知识。4. 实验本节说明了实验评价。更多结果和分析（包括一些消融研究）见补充材料。实验设置。为了充分评估所提出的方法，我们测试我们的方法从各种场景的图像。LOL真实捕获的低/正常光图像[30]用于客观和主观评价，因为它是包含高度退化图像的真实捕获数据集，大多数方法无法实现有希望的结果。 此外，还提供了NPE [28]和DICM [16]的结果在补充材料中。比较的方法包括生物启发多曝光融合（BIMEF）[31]、亮度保持动态直方图均衡（BPDHE）[10]、相机响应模型（CRM）[33]、D-微分值直方图均衡对比度增强（DHECE）[22]、Dong [6]、曝光融合框架 （ EFF ） [32] 、 对 比 度 受 限 自 适 应 直 方 图 均 衡（CLAHE）[3 6]，通过照明图估计（LIME）的低光图像增强[9]，多..T T{w1，w2，w3}=FTΣΣPle Fusion（MF）[7]、Multiscale Retinex（MR）[13]联合增强和去噪方法（JED）[25]RCRC100X100X100X200X300X300X3xF=wixT，（5）i=1.ΣT T TRetinex模型（RRM）[18]、同时反射率和照度估计（SRIE）[8]、深度Retinex分解（DRD）[30]、深度曝光不足照片增强（DeepUPE）[27]、单图像对比度增强器xxsi−1，i=2，3，（SICE）[2]，EnlightenGAN [11].TT实现细节。 该网络通过两个x其中，x∈F是用以下三种损失训练的阶段在第一阶段，网络由ADAM优化器优化。学习率设置为0.0001。的LDetail=−φ¨.FΣx100 −xF、（6） ¨2用于训练的裁剪图像大小和批量大小分别被设置为256和4。 在第二阶段，发电机和训练器由ADAM优化器训练。 学习LPercept=<$FP（x<$3）−FP（x）<$2，（7）L质量=−log D. FΣx100 、（8）发生器的速率被设置为0.0001，区分器的速率被设置为0.0001。设置为1 e-6。裁剪图像大小和批量大小其中，D是衡量以下情况发生的概率的概率x=F是人类视觉的首选。 FP（·）是从预训练的VGG网络中提取深度特征的过程。该阶段的整个损失函数如下，L SBR =L感知+λ3L细节+λ4L质量，其中λ3和λ4是加权参数。总结。在我们的DRBN中，我们首先进行乐队代表学习。在成对数据集的指导下，对每个波段的信号进行学习，从而实现对每个波段信号的重新覆盖.该阶段确保信号的保真度和细节恢复。之后，执行频带重组以改善图像的视觉质量。训练分别设置为320和1λ1，λ2，λ3，和λ4分别设置为0.1、0.1、0.01和1我们对LOL数据集[30]进行分区以进行训练和测试。训练数据集包括索引为[1，689]的689个配对图像，而测试集包括索引为[690，789]的100个配对图像。在第一阶段，允许300个epoch，而在第二阶段，仅允许30个epoch。在第二阶段训练中，第一模块（BLN）是固定的。 在第一阶段训练200个纪元后，学习率下降0.5。Adam优化器的超参数设置为：β1=0。9，β2 = 0。999，且n= 1e−8。评价标准。我们进行定量评估-S比较不同的方法的性能。 我们3068表1.LOL-Real数据集中真实测试图像的定量结果EG表示EnlightenGAN。度量BIMEF [31]BPDHE [10]CRM [33]DHECE [22]东[6]EFF [32]CLAHE [36]石灰[9][7]PSNR17.8513.8419.6514.6417.2617.8513.1315.2418.73SSIM0.65260.42540.66230.44500.52700.65260.37090.47020.5590SSIM-GC0.72310.59360.69680.45210.57150.72310.39470.49050.5765度量MR [13]JED [25]RRM [18]SRIE [8]DRD [30][27]第二十七话SICE [2][11]第十一章DRBNPSNR11.6717.3317.3417.3415.4713.2719.4018.2320.13SSIM0.42690.66540.68590.68590.56720.45210.69060.61650.8295SSIM-GC0.51580.72360.74590.70750.74760.70510.72500.64520.8492(a) 投入（b）NPE（c）DHECE（d）MF（e）BIMEF（f）石灰（g）RRM（h）JED(i) EnlightenGAN（j）UPE（k）DRBN（l）GT图3.不同方法的视觉效果左部分：原始结果。右部分：通过Gamma变换校正的结果，以获得更好的可见性。采用三个客观评价指标：峰值信噪比（PSNR）、结构相 似 性 （ SSIM ） [29] 和 基 于 伽 马 校 正 结 果 计 算 的SSIM，称为SSIM-GC。PSNR是正常光图像的最大可能功率与增强图像的功率之间的比率，并测量它们之间的保真度。SSIM更多地考虑了图像的结构，将图像的退化看作是结构信息的变化，并将亮度掩蔽和对比度掩蔽引入到度量中。在弱光增强任务中，平均亮度水平难以预测。因此，PSNR和SSIM可能无法很好地捕获细节保真度。因此，引入了SSIM-GC，其中首先通过Gamma变换校正全局照明，然后计算SSIM值。定量评价。 我们比较不同的方法在表1中定量。我们的方法在PSNR、SSIM和SSIM-GC上都取得了更好的结果。实验结果表明，该算法在光照恢复和结构恢复方面具有一定的优势.在SSIM-GC中得到了较好的结果，也显示了我们在扣除全局光照时的优越 性 。 SICE 、 EnligtenGAN 和 CRM 也 实 现 了 卓 越 的PSNR值，这意味着它们很好地恢复了全局照明。 以前方法的SSIM和SSIM-GC结果普遍较低，表明它们在恢复结构细节和拉伸对比度方面存在局限性，这也在后面的定性评价中得到证实。定性评价。我们还在图中进行了广泛的定性评估。3和4结果表明，我们的DRBN取得了更好的定量和定性结果比以前的方法。通常，大多数先前的方法不能很好地恢复 全 局 照 明 和 结 构 。 DHECE 、 LIME 、 NPE 和EnlightenGAN3069(a) 投入（b）NPE（c）DHECE（d）MF(e)BIMEF（f）石灰（g）RRM（h）JED(i)EnlightenGAN（j）UPE（k）DRBN（l）GT图4.不同方法的视觉效果左部分：原始结果。右部分：通过Gamma变换校正的结果，以获得更好的可见性。图5.第一至第四组：低光图像，无感知引导的结果，有感知引导的结果，正常光图像。很好的还原了全局光照的效果。然而，在他们的结果中 ， 毛刺 噪 声 被 放大 ， 这 严 重 损害 了 局 部 细节 。RRM、MF、JED和UP- E遭受曝光不足和能见度差。在其Gamma校正结果（右侧部分）中，在RRM和JED的结果中观察到噪声。然而，这两种方法的对比并不乐观。相比之下，我们的方法获得了很好的视觉感知质量，具有良好的光照，颜色分布，以及干净和锐利续费两阶段设计的消融研究。我们在图2中对我们的两阶段设计进行了消融研究。五、对比波段重组前后的结果，可以看出，结果变得更加丰富多彩，图像的对比度进一步提高。得益于来自高质量数据集的指导知识，这些结果的整体可见性和质量甚至超过了底部行的基本事实。3070(a)低光图像（b）通过RBL的增强结果（c）第一阶带（d）第二阶带（e）第三阶带图6.我们的DRBN的学习频带的可视化结果RBL表示递归带学习。(a)（b）按成果预算制增强的成果(c)一阶加权映射(d)二阶加权映射(e)三阶加权映射图7.用于波段重组的学习加权图的可视化结果RBL和BR分别表示递归频带学习和频带重组5. 递归带学习和带重组的可视化我们将学习的频带表示和用于频带重组的加权掩模可视化在图1中。6和7号，重新开始。据观察，我们的RBL有效地提取了一系列课程到精细的分层表示。然后进行频带重组，对频带信号进行自适应重构。 比较不同波段的加权图，结果表明，高阶加权图更稀疏，更侧重于边缘和结构。6. 结论在本文中，我们的目标是创建一个新的半监督学习方法，利用知识的合成配对低/正常光图像和用于低光图像增强的不成对高质量数据。为此，我们创建了一个两阶段网络，首先基于保真度恢复信号，然后进一步增强结果，以提高整体视觉质量。 DRBN恢复了一条线-具有成对的低/正常光图像的增强的正常光图像的耳带表示，然后通过经由另一个可学习的线性变换重新组合给定的带来获得改进的耳带表示，该线性变换是用具有未配对的高质量数据的感知质量驱动的对抗性损失来训练的。两阶段设计使我们的方法生成具有良好重建细节和视觉上有希望的对比度和颜色分布的增强结果，S.定性和定量评价表明所提出的方法的优点。3071引用[1] M. Abdullah-Al-Wadud ， M.H. 卡 比 尔 湾 A. AkberDewan和O.蔡一种用于图像对比度增强的动态直方图均 衡 化 方 法 。 IEEE Transactions on ConsumerElectronics，53（2）：593-600，May 2007. 2[2] J. Cai，S. Gu和L.张某从多曝光图像学习深度单图像对比 度 增 强 器 IEEE Trans. on Image Processing ， 27（4）：2049一、二、五、六[3] 蔡建瑞、古书航、张磊。从多曝光图像学习深度单图像对比度增强器IEEE Trans. 图像处理，27（4）：2049 -2062，2018年4月。3[4] Chen Chen，Qifeng Chen，Jia Xu，and Vladlen Koltun.学会在黑暗中看东西 在proc IEEE计算机视觉与模式识别，2018。二、三[5] K.达博夫河Foi，V.Katkovnik，and K.埃吉亚扎利安人稀疏三维变换域协同滤波图像去噪 IEEE Trans. onImage Processing，16（8）：2080-2095，2007年8月。2[6] Xuan Dong ， Guan Wang ， Yi Pang ， Weixin Li ，Jiangtao Wen，Wei Meng，and Yao Lu.低照度视频增强的快速有效算法 在proc IEEE多媒体和博览会，第1-6页，2011年。五、六[7] Xueyang Fu，Delu Zeng，Yue Huang，Yinghao Liao，Xinghao Ding，and John Paisley.一种基于融合的弱光照图像增强方法。信号处理，129：82二、五、六[8] X. Fu，D. Zeng，Y. Huang，X. P. Zhang和X.丁同时估计反射率和照度的加权变分模型在Proc. IEEE Int'lConf. 计算机视觉和模式识别，第2782-2790页，2016年6月。二、五、六[9] X. Guo，Y.Li和H.凌Lime：通过照明图估计的低光图像增强 IEEE Trans. on Image Processing，26（2）：982-993，Feb 2017. 二、五、六[10] Haidi Ibrahim和Nicholas Sia Pik Kong。用于图像对比度 增 强 的 亮 度 保 持 动 态 直 方 图 均 衡 。 IEEETransactions on Consumer Electronics，53（4）：1752-1758，2007. 五、六[11] Yifan Jiang，Xinyu Gong，Ding Liu，Yu Cheng，ChenFang，Xiaohui Shen，Jianchao Yang，Pan Zhou，andZhangyang Wang.启迪：无需配对监督的深度光增强。arXiv预印本arXiv：1906.06972，2019。一、二、五、六[12] D. J. J. Jobson，Z. Rahman和G. A.伍德尔一种多尺度视网膜，用于弥合彩色图像和人类对场景的观察之间的差距。IEEE图像处理学报，6（7）：965-976，1997年7月。2[13] D. J. J. Jobson，Z. Rahman和G. A.伍德尔一种多尺度视网膜，用于弥合彩色图像和人类对场景的观察之间的差距。IEEE图像处理学报，6（7）：965-976，1997年7月。五、六[14] D. J. 乔布森，Z.Rahman和G.A. 伍德尔中心/环绕视网膜的特性IEEE图像处理学报，6（3）：451-462，1997年3月。23072[15] Edwin H.土地色觉的视网膜理论S c i .Amer，第108-128页2[16] C. 李角，澳-地Lee和C.S. Kim. 基于二维直方图分层差 分 表 示 的 对 比 度 增 强 IEEETrans.on ImageProcessing，22（12）：5372 -5384，Dec2013. 5[17] L.利河，巴西-地Wang，W. Wang和W.高.一种低照度图像增强方法，既能去噪又能增强对比度。在Proc.IEEE Int'l Conf.图像处理，第3730-3734页，2015年9月。2[18] M. Li，J. Liu，W. Yang，X. Sun和Z.小郭。基于鲁棒retinex模型的弱光图像结构揭示增强。 IEEE Trans.on Image Processing，27（6）：2828-2841，2018年6月。二、五、六[19] Yuen Peng Loh及Chee Seng Chan。使用完全黑暗的数据集了解计算机视觉和图像理解，178：303[20] Kin Gwn Lore ， Adedotun Akintayo ， and SoumikSarkar.Ll-net：一种用于自然低光图像增强的深度自动编码器方法Pattern Recognition，61：650二、三[21] N. 默里湖Marchesotti和F.佩罗宁一个用于美学视觉分析的大规模数据库.在Proc. IEEE Int'l Conf. 计算机视觉和模式识别，第2408-2415页，2012年6月。5[22] Keita Nakai、Yoshikatsu Hoshi和Akira Taguchi。基于差分强度/饱和度灰度直方图的彩色图像对比度增强方法。在智能信号处理和通信系统国际研讨会上，第445-449页五、六[23] S. M. 皮 泽 河 E. 约 翰 斯 顿 ， J 。 P. 埃 里 克 森 湾 C.Yankaskas和K.E. 监听器手机监听器对比度受限的自适应直方图均衡化：速度和效率。在生物医学计算可视化会议论文集，第3372[24] W. Ren ， S. 柳 湖 ， 加 - 地 马 角 ， 澳 - 地 Xu ， X.Xu ，X.Cao，J.c2u和M.杨通过深度混合网络进行低光图像增强。IEEETrans. on Image Processing，28（9）：4364- 4375，Sep. 2019. 二、三[25] X. 任，M。Li，W.Cheng和J.刘某基于序列分解的联合增强在IEEE二、五、六[26] L.沈，Z. Yue，F.丰角，澳-地Chen，S. Liu和J. Ma.MSR-net：使用深度卷积网络的弱光图像增强。ArXiv电子印刷品，2017年11月。3[27] Ruixing Wang，Qing Zhang，Chi-Wing Fu，XiaoyongShen，Wei-Shi Zheng，and Jiaya Jia.使用深度照明估计的曝光不足照片增强 在proc IEEE 计算机视觉与模式识别，2019年6月。二三五六[28] S. Wang，J. Zheng，H. M. Hu和B.李非均匀光照图像的自然度p保留增强算法。 IEEE Trans. 图像处理，22（9）：3538- 3548，2013年9月。二、五[29] Zhou Wang，A.C. Bovik，H.R. Sheikh和E.P. 西蒙切利图像质量评价：从误差可见性到结构相似性。IEEE图像处理学报，13（4）：600- 612，2004年4月。63073[30] Chen Wei，Wenjing Wang，Wenhan Yang，and JiayingLiu.用于弱光增强的深度retinex分解。英国机器视觉会议，2018年9月一二三五六[31] Z. Ying、G.Li和W.高. 一种用于弱光图像增强的生物启发多曝光融合框架ArX- iv电子打印，2017年11月。五、六[32] Zhenqiang Ying ， Ge Li ， Yurui Ren ， RonggangWang，and Wenmin Wang.一种基于曝光融合的图像对比度增强在图像和图案的计算机分析国际会议上，第36-46页Springer，2017. 五、六[33] Zhenqiang Ying ， Ge Li ， Yurui Ren ， RonggangWang，and Wenmin Wang.一种新的基于相机响应模型的微光图像增强算法 在proc IEEEF. 计算机视觉，2017年10月。五、六[34] 叶远、杨文涵、任文琪、刘家英、瓦尔特·J·谢勒、王张扬。UG2+轨道2：在能见度差的环境下评估和推进图像理解的集体基准工作arXiv电子印刷品，第arXiv：1904.04474页，2019年4月。3[35] X. Zhang，P. Shen，L.卢湖，加-地zhang和J.歌极低亮度图像的增强和降噪。在Proc. IEEE Int'l Conf.模式识别，第2034-2037页，2012年11月。2[36] 卡雷尔·泽德维尔德图形宝石四。第474-485页的“对比度受限自适应直方图均衡”一章学术出版专业公司，San Diego，CA，USA，1994.五、六