RetinexDIP: Uma Estrutura Profunda Unificada para Aprimoramento de Imagens em Baixa Luz

Imagens em baixa luz sofrem de baixo contraste e detalhes pouco claros, o que não apenas reduz a informação disponível para os humanos, mas limita a aplicação de algoritmos de visão computacional. Entre as técnicas de aprimoramento existentes, os métodos baseados em Retinex e os métodos baseados em aprendizado estão em evidência hoje. Neste artigo, buscamos preencher a lacuna entre os dois métodos. Primeiro, propomos uma nova estratégia "generativa" para a decomposição de Retinex, na qual a decomposição é considerada um problema generativo. Em segundo lugar, com base na estratégia, uma estrutura profunda unificada é proposta para estimar os componentes latentes e realizar o aprimoramento de imagens em baixa luz. Terceiro, nosso método pode enfraquecer a relação de acoplamento entre os dois componentes enquanto realiza a decomposição de Retinex. Finalmente, o RetinexDIP realiza a decomposição de Retinex sem nenhuma imagem externa, e a iluminação estimada pode ser facilmente ajustada e é utilizada para realizar o aprimoramento. O método proposto é comparado com dez algoritmos de ponta em sete conjuntos de dados públicos, e os resultados experimentais demonstram a superioridade do nosso método. O código está disponível em: https://github.com/zhaozunjin/RetinexDIP.