。

暗淡的光线不仅限制了图像的细节表现#xff0c;还常常引入噪声和失真#xff0c;极大地影响了图像的质量和可用性。

然而#xff0c;随着ECCV

2024#xff08;欧洲计算机视觉会议…在计算机视觉与图像处理领域低光照条件下的图像增强一直是一个极具挑战性的难题。

暗淡的光线不仅限制了图像的细节表现还常常引入噪声和失真极大地影响了图像的质量和可用性。

然而随着ECCV

2024欧洲计算机视觉会议的盛大召开一项名为GLARE的创新技术横空出世为低光图像增强带来了前所未有的突破。

GLARE是一种新型的基于生成式隐层特征的码本检索的低光照增强网络大量实验证明GLARE在多个基准数据集和真实数据上的卓越性能以及GLARE在低光照目标检测任务中的有效性进一步验证了其在高层次视觉应用中的适用性。

(b)GLARE可以在LOL(上)和真实世界(下)图像上生成吸引人的结果。

相关链接

论文地址https://arxiv.org/pdf/2407.12431

代码地址https://github.com/LowLevelAI/GLARE

论文阅读

的病态性质和从受损输入中进行语义检索的难度限制了这些方法尤其是在极低光照条件下。

(GLARE)

图像中得出码本先验。

更重要的是我们开发了一个生成性可逆潜在正则化流

(I-LNF)

潜在表示对齐从而保证码本中的正确代码检索。

此外我们还设计了一种新颖的自适应特征转换

(AFT)

和双解码器架构可进一步提高保真度同时保留码本先验提供的真实细节。

GLARE

在各种基准数据集和真实数据上的卓越性能。

它作为低光物体检测任务中的预处理工具的有效性进一步验证了

GLARE

码本先验的潜力并生成高保真度的真实结果。

方法概览上图所示训练可分为三个阶段。

图像上对

LOL、LOL-v2-real、LOL-v2-synthetic、SDSD-indoor和SDSD-outdoor数据集的定量比较。

与目前的SOTA方法相比我们的GLARE实现了卓越的性能。

基于LOL数据集的视觉比较。

我们的方法可以有效地增强可见性并产生具有视觉吸引力的结果。

llo-v2-real(上)和llo-v2-synthetic(下)数据集的视觉比较。

以前的方法遭受严重的色彩失真或细节不足而我们的眩光表现良好没有这些问题。

对真实世界数据集的定量比较。

这些结果可以从原始论文中获得也可以使用其最佳LOL权重进行测试。

↓:值越小表示质量越好。

对未配对的真实数据集进行跨数据集评估的可视化结果。

这四幅图像分别来自DICM、LIME、MEF和NPE。

我们的眩光产生更令人愉快的结果没有噪音或伪影。

AFT对lol的目视消融结果。

我们的带有AFT模块的眩光能够生成具有改进的边缘敏锐度和轮廓清晰度的结果以及更丰富的细节纹理。

消融实验

ExDark数据集上基于增强的低光目标检测视觉对比与检测结果以往的增强方法在使用预处理模块进行对象检测时都会遇到对象丢失的问题。

相比之下利用我们的眩光增强的图像使YOLO-v3能够以高置信度健壮地检测目标并且我们增强的图像具有更好的视觉质量。

GLARE

映射。

为了更好地挖掘码本先验的潜力采用可逆潜在归一化流来生成与

特征以最大化码向量在码本中正确匹配的概率。

最后引入具有双解码器架构的

AFT

模块灵活地将信息提供给解码过程从而进一步提高增强结果的保真度同时保持感知质量。

大量实验表明我们的

GLARE