Low-Light Image Enhancement by Learning Contrastive Representations in Spatial and Frequency Domains

要約

暗い場所で撮影された画像は、視認性が低下する傾向があり、画質が低下し、下流のタスクのパフォーマンスが低下することさえあります。
CNN ベースの方法では、さまざまな未知の低照度条件下での画像から通常の画像を復元できる一般化された機能を学習することは困難です。
この論文では、ネットワークの一般化可能性を高める目的で、コントラスト学習を照明補正ネットワークに組み込んで、表現空間内のさまざまな低照度条件を区別する抽象表現を学習することを提案します。
光の状態によって画像の周波数成分が変化する可能性があることを考慮して、空間領域と周波数領域の両方で表現を学習して比較し、対照学習を最大限に活用します。
提案された方法はLOLおよびLOL-V2データセットで評価され、結果は、提案された方法が他の最先端技術と比較してより良い定性的および定量的結果を達成することを示しています。

要約(オリジナル)

Images taken under low-light conditions tend to suffer from poor visibility, which can decrease image quality and even reduce the performance of the downstream tasks. It is hard for a CNN-based method to learn generalized features that can recover normal images from the ones under various unknow low-light conditions. In this paper, we propose to incorporate the contrastive learning into an illumination correction network to learn abstract representations to distinguish various low-light conditions in the representation space, with the purpose of enhancing the generalizability of the network. Considering that light conditions can change the frequency components of the images, the representations are learned and compared in both spatial and frequency domains to make full advantage of the contrastive learning. The proposed method is evaluated on LOL and LOL-V2 datasets, the results show that the proposed method achieves better qualitative and quantitative results compared with other state-of-the-arts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google