Learning a Single Convolutional Layer Model for Low Light Image Enhancement

要約

低照度画像強調 (LLIE) は、露光不足による画像の照度を改善することを目的としています。
最近、一般的な低コントラスト、低輝度などの不利な課題に対処するために、さまざまな軽量学習ベースの LLIE 手法が提案されています。この論文では、ネットワークのアーキテクチャを最大限に合理化しました。
効果的な構造再パラメータ化手法を利用することにより、粗く強調された結果として全体的な低照度強調を提供する単一畳み込み層モデル (SCLM) が提案されます。
さらに、さまざまな画像領域でのさまざまな露光レベルの問題に対処するために、局所的な照明補正を実行するための共有パラメータのセットを学習する局所適応モジュールを導入します。
実験結果は、提案された方法が、客観的な指標と主観的な視覚効果の両方において、最先端の LLIE 方法に対して有利に機能することを示しています。
さらに、私たちの方法は他の学習ベースのスキームと比較してパラメーターが少なく、推論の複雑さが低くなります。

要約(オリジナル)

Low-light image enhancement (LLIE) aims to improve the illuminance of images due to insufficient light exposure. Recently, various lightweight learning-based LLIE methods have been proposed to handle the challenges of unfavorable prevailing low contrast, low brightness, etc. In this paper, we have streamlined the architecture of the network to the utmost degree. By utilizing the effective structural re-parameterization technique, a single convolutional layer model (SCLM) is proposed that provides global low-light enhancement as the coarsely enhanced results. In addition, we introduce a local adaptation module that learns a set of shared parameters to accomplish local illumination correction to address the issue of varied exposure levels in different image regions. Experimental results demonstrate that the proposed method performs favorably against the state-of-the-art LLIE methods in both objective metrics and subjective visual effects. Additionally, our method has fewer parameters and lower inference complexity compared to other learning-based schemes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google