要約
既存のほとんどの低照度画像強化 (LLIE) 手法は、主に夜間画像の劣化が深刻な暗い領域の明るさを改善するように設計されています。
ただし、これらの方法では、もう 1 つの主要な視界へのダメージである、実際の夜景におけるグロー効果の調査には限界があります。
人工光源が存在する場合、グロー効果は避けられず、直接強調するとさらに拡散したぼやけが発生します。
この問題を解決するために、グロー抑制タスクを、大気点像分布関数 (APSF) に従った多重散乱推定による物理的なグロー生成の学習として革新的に検討します。
不均一なグロー強度とさまざまな光源形状によってもたらされる課題に対応して、APSF ベースの近接場光源を使用した夜間イメージング モデル (NIM-NLS) が、スケーラブルな光認識ブラインド デコンボリューション ネットワーク (LBDN) を設計するために特に導出されています。
グロー抑制された結果は、Retinex ベースの拡張モジュール (REM) によって明るくされます。
注目すべきことに、提案されたグロー抑制方法はゼロショット学習に基づいており、ペアまたはペアになっていないトレーニング データには依存しません。
経験的評価により、グロー抑制タスクと低光量強調タスクの両方において、提案された方法の有効性が実証されています。
要約(オリジナル)
Most existing Low-Light Image Enhancement (LLIE) methods are primarily designed to improve brightness in dark regions, which suffer from severe degradation in nighttime images. However, these methods have limited exploration in another major visibility damage, the glow effects in real night scenes. Glow effects are inevitable in the presence of artificial light sources and cause further diffused blurring when directly enhanced. To settle this issue, we innovatively consider the glow suppression task as learning physical glow generation via multiple scattering estimation according to the Atmospheric Point Spread Function (APSF). In response to the challenges posed by uneven glow intensity and varying source shapes, an APSF-based Nighttime Imaging Model with Near-field Light Sources (NIM-NLS) is specifically derived to design a scalable Light-aware Blind Deconvolution Network (LBDN). The glow-suppressed result is then brightened via a Retinex-based Enhancement Module (REM). Remarkably, the proposed glow suppression method is based on zero-shot learning and does not rely on any paired or unpaired training data. Empirical evaluations demonstrate the effectiveness of the proposed method in both glow suppression and low-light enhancement tasks.
arxiv情報
| 著者 | Wanyu Wu,Wei Wang,Zheng Wang,Kui Jiang,Xin Xu |
| 発行日 | 2023-07-31 15:51:15+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google