Aprimoramento de Imagens em Baixa Luminosidade via Modelo de Projeção Retinex Auto-Reforçado

O aprimoramento de imagens em baixa luminosidade tem como objetivo melhorar a qualidade das imagens capturadas em condições de pouca luz, o que é um problema fundamental nas áreas de visão computacional e multimídia. Embora muitos esforços tenham sido investidos ao longo dos anos, os modelos existentes baseados em iluminação tendem a gerar resultados com aparência não natural (por exemplo, superexposição). Isso ocorre porque o ajuste de iluminação amplamente adotado (por exemplo, Correção de Gama) compromete a propriedade de suavidade favorável da iluminação original derivada do modelo de estimativa de iluminação bem projetado. Para resolver esse problema, um modelo de Projeção Retinex Auto-Reforçado (SRRP) de alta eficiência e qualidade é desenvolvido neste artigo, que contém módulos de otimização tanto das camadas de iluminação quanto de refletância. Especificamente, construímos um novo termo de fidelidade com a função auto-reforçada para a otimização da iluminação, a fim de eliminar a dependência do ajuste de iluminação para obter uma iluminação desejada com uma excelente propriedade de suavização. Ao introduzir uma restrição viável flexível, obtemos um módulo de otimização de refletância com projeção. Devido à sua flexibilidade, podemos extender nosso modelo para uma versão aprimorada integrando um mecanismo de desnoising orientado a dados como a projeção, que é capaz de lidar efetivamente com os ruídos/artifatos gerados no procedimento aprimorado. Na parte experimental, de um lado, fazemos amplas avaliações comparativas em múltiplos benchmarks com métodos de estado da arte consideráveis. Essas avaliações verificam totalmente o desempenho excepcional do nosso método, em termos de análises qualitativas e quantitativas e eficiência de execução. Por outro lado, também conduzimos amplos experimentos analíticos para indicar a eficácia e as vantagens do nosso modelo proposto.