使损失压缩对低光图像有意义

低光图像通常由于不可避免的环境影响或技术限制而出现，例如照明不足或曝光时间有限。为了提高视觉感知的可见性，通常采用低光图像增强。此外，损失图像压缩对于满足计算机视觉应用中的存储和传输需求至关重要。针对上述两个实际需求，目前的解决方案可以分为两种序列方式：“压缩后增强（CbE）”或“增强后压缩（EbC）”。然而，这两者都不适用，因为：(1) 个别模型中的错误积累困扰着序列解决方案。尤其是，一旦低光图像被现有的一般损失图像压缩方法压缩，有用的信息（例如，纹理细节）将丢失，导致低光图像增强性能显著下降。(2) 由于中间过程，序列解决方案引入了额外的负担，导致低效率。我们提出了一种新颖的联合解决方案，旨在以更低的计算成本和更少的模型参数同时实现高压缩率和良好的增强性能。我们设计了一种端到端可训练的架构，包括主要的增强分支和信噪比（SNR）感知分支。实验结果表明，我们提出的联合解决方案在不同组合的现有最先进的序列“压缩后增强”或“增强后压缩”解决方案中取得了显著改善，这将使损失低光图像压缩更具意义。该项目可公开访问： https://github.com/CaiShilv/Joint-IC-LL。