GLARE: Low Light Image Enhancement via Generative Latent Feature based Codebook Retrieval

现有的大多数低光图像增强（LLIE）方法要么直接将低光（LL）映射到正常光（NL）图像，要么使用语义或照明图作为指导。然而，LLIE的不适定性和从受损输入中检索语义的困难限制了这些方法，特别是在极低光条件下。为了解决这个问题，我们提出了一种新的LLIE网络，通过生成的基于潜在特征的码本检索（GLARE）实现，其中码本先验是使用矢量量化（VQ）策略从未受损的NL图像中派生的。更重要的是，我们开发了一种生成的可逆潜在归一化流（I-LNF）模块，将LL特征分布与NL潜在表示对齐，保证正确的码检索在码本中。此外，我们设计了一种新颖的自适应特征变换（AFT）模块，具有可调函数和自适应混合块（AMB）以及双解码器架构，以进一步增强保留码本先验提供的逼真细节的保真度。广泛的实验验证了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的预处理工具的有效性进一步验证了GLARE在高级视觉应用中的应用。代码在https://github.com/LowLevelAI/GLARE上发布。

本文旨在解决低光图像增强（LLIE）中语义检索和光照映射等方法的局限性，提出了一种基于生成潜在特征的码本检索（GLARE）的LLIE网络。

本文采用向量量化（VQ）策略从未降级的正常光（NL）图像中导出码本先验，并开发了生成可逆潜在归一化流（I-LNF）模块来将LL特征分布与NL潜在表示对齐，保证正确的码检索。此外，还设计了一种新颖的自适应特征转换（AFT）模块，包括自适应混合块（AMB）和双解码器架构，进一步提高保真度，同时保留码本先验提供的逼真细节。

本文在各种基准数据集和真实世界数据上进行了广泛的实验，验证了GLARE的优越性能。该算法还作为低光物体检测任务的预处理工具，进一步验证了GLARE在高级视觉应用中的有效性。作者已经在https://github.com/LowLevelAI/GLARE上发布了代码。

在这个领域中，最近还有一些相关的研究，如《Low-Light Image Enhancement via a Deep Hybrid Network》、《Low-Light Image Enhancement Using Gaussian Mixture Model and Contrast Limited Adaptive Histogram Equalization》等。