تحسين الصور في الإضاءة المنخفضة بواسطة خوارزمية ريتنيكس المستندة إلى فك وإجراء التعديلات

لقد جذب تحسين الصور في الإضاءة المنخفضة (LIE) اهتمامًا بحثيًا كبيرًا في السنوات الأخيرة. وقد حققت طرق التعلم العميق المستندة إلى نظرية ريتنيكس أداءً واعدًا بفضل قابليتها للتفسير الفيزيائي، من خلال اتباع عملية فك التركيب والتعديل. ومع ذلك، لا تزال الأساليب الحالية المستندة إلى ريتنيكس دون المستوى الأمثل، حيث تفشل في الاستفادة من الرؤى المفيدة المأخوذة من الأساليب التقليدية. في الوقت نفسه، تكون خطوة التعديل إما مبسطة للغاية أو معقدة للغاية، مما يؤدي إلى أداء غير مرضٍ في الممارسة العملية. لمعالجة هذه القضايا، نقترح إطارًا جديدًا للتعلم العميق لـ LIE. يتكون الإطار من شبكة فك التركيب (DecNet) المستوحاة من فك الخوارزمية وشبكات التعديل التي تأخذ في الاعتبار كل من السطوع العالمي والمحلي. يسمح فك الخوارزمية بدمج كل من الأسبقيات الضمنية المتعلمة من البيانات والأسبقيات الصريحة الموروثة من الأساليب التقليدية، مما يسهل فك التركيب بشكل أفضل. في الوقت نفسه، يوجه اعتبار السطوع العالمي والمحلي تصميم شبكات التعديل الفعالة والخفيفة الوزن. علاوة على ذلك، نقدم استراتيجية ضبط ذاتي تتسم بالأداء الواعد دون الحاجة إلى ضبط يدوي للمعلمات. توضح التجارب الواسعة على مجموعات بيانات LIE المرجعية تفوق نهجنا مقارنة بالأساليب الحالية الأحدث من الناحيتين الكمية والنوعية. الكود متاح على https://github.com/Xinyil256/RAUNA2023.