Latent Disentanglement for Low Light Image Enhancement

要約

学習ベースの低照度画像強調 (LLIE) アルゴリズムの多くは、Retinex 理論に基づいています。
ただし、このようなモデルの Retinex ベースの分解技術では破損が生じ、拡張パフォーマンスが制限されます。
この論文では、低照度視覚タスク用の潜在解絡ベースの強化ネットワーク (LDE-Net) を提案します。
潜在解絡モジュールは、解読されたコンテンツおよび照明コンポーネントに破損が残らないように、潜在空間内の入力画像を解読します。
LLIE タスクでは、コンテンツ機能を利用してイルミネーション コンポーネントの強化を指示するコンテンツ認識埋め込み (CAE) モジュールを設計します。
下流のタスク (夜間の UAV 追跡や低照度の物体検出など) のために、潜在解絡フレームワークに基づいた効果的な軽量エンハンサーを開発します。
包括的な定量的および定性的な実験により、当社の LDE-Net はさまざまな LLIE ベンチマークで最先端の方法よりも大幅に優れていることが実証されました。
さらに、私たちのフレームワークを下流タスクに適用することで得られた素晴らしい結果も、潜在的なもつれ解除設計の有用性を示しています。

要約(オリジナル)

Many learning-based low-light image enhancement (LLIE) algorithms are based on the Retinex theory. However, the Retinex-based decomposition techniques in such models introduce corruptions which limit their enhancement performance. In this paper, we propose a Latent Disentangle-based Enhancement Network (LDE-Net) for low light vision tasks. The latent disentanglement module disentangles the input image in latent space such that no corruption remains in the disentangled Content and Illumination components. For LLIE task, we design a Content-Aware Embedding (CAE) module that utilizes Content features to direct the enhancement of the Illumination component. For downstream tasks (e.g. nighttime UAV tracking and low-light object detection), we develop an effective light-weight enhancer based on the latent disentanglement framework. Comprehensive quantitative and qualitative experiments demonstrate that our LDE-Net significantly outperforms state-of-the-art methods on various LLIE benchmarks. In addition, the great results obtained by applying our framework on the downstream tasks also demonstrate the usefulness of our latent disentanglement design.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google