Multiple Latent Space Mapping for Compressed Dark Image Enhancement

这篇文章介绍了一种名为“压缩暗图像增强”的方法，旨在将压缩的暗图像转换为正常亮度的图像。现有的暗图像增强方法通常使用未压缩的暗图像作为输入，并取得了良好的性能。然而，在实际应用中，暗图像通常在存储或通过互联网传输之前被压缩。当前的方法在处理压缩的暗图像时性能较差。由于当前方法会放大隐藏在暗区域中的伪影，导致观察者产生不适的视觉效果。因此，本研究旨在在增强压缩暗图像的同时避免放大压缩伪影。由于纹理细节与压缩伪影在压缩暗图像中交织在一起，因此在图像空间中进行细节增强和阻塞伪影抑制是相互矛盾的。因此，本研究提出了一种基于变分自编码器（VAE）的新型潜空间映射网络。首先，与以往仅具有单分辨率特征的基于VAE的方法不同，我们利用多个潜空间和多分辨率特征来减少细节模糊并提高图像保真度。具体而言，我们训练了两个多级VAE，将压缩暗图像和正常亮度图像分别投影到它们的潜空间中。其次，我们利用一个潜空间映射网络将特征从压缩暗空间转换到正常亮度空间。具体而言，由于暗度和压缩的退化模型彼此不同，因此潜空间映射过程被分为启明分支和去块分支。综合实验表明，所提出的方法在增强压缩暗图像方面达到了最先进的性能水平。

本论文旨在解决压缩暗图像增强的问题，避免增强过程中出现压缩伪影的不适视觉效果。

该论文提出了一种基于变分自编码器（VAE）的新型潜空间映射网络，通过多分辨率特征的多个潜空间来减少细节模糊并提高图像保真度，将压缩暗图像映射到正常明亮图像的潜空间中。

该论文的亮点包括使用多分辨率特征的多个潜空间，以及将潜空间映射过程分为提亮分支和去块分支。实验结果表明，该方法在压缩暗图像增强方面具有最先进的性能。

与本论文相关的研究包括基于深度学习的图像增强方法，如GAN，以及基于VAE的图像增强方法，如ID-CGAN和ID-VAE。