Region-Aware Exposure Consistency Network for Mixed Exposure Correction

曝光校正旨在增强因曝光不当而导致的图像，以达到满意的视觉效果。尽管最近取得了进展，但现有方法通常只能减轻输入图像中的过度曝光或欠曝光问题，仍然难以处理混合曝光图像，即一个图像包含过度曝光和欠曝光区域。混合曝光分布是不均匀的，导致表示不同，这使得在统一过程中处理它变得具有挑战性。在本文中，我们引入了一种有效的区域感知曝光校正网络（RECNet），它可以通过自适应学习和连接不同区域的曝光表示来处理混合曝光。具体而言，为了解决混合曝光差异带来的挑战，我们开发了一个区域感知的去曝光模块，可以有效地将混合曝光场景的区域特征转换为曝光不变的特征空间。同时，由于去曝光操作不可避免地减少了区分信息，我们引入了一个混合尺度恢复单元，将曝光不变的特征和未处理的特征集成在一起，以恢复局部信息。为了进一步实现全局图像的均匀曝光分布，我们提出了一种曝光对比正则化策略，在区域内曝光一致性和区域间曝光连续性的约束下实现。我们在各种数据集上进行了大量实验，实验结果表明了我们提出的方法的优越性和泛化性。代码发布在：https://github.com/kravrolens/RECNet。

该论文旨在解决图像曝光不当的问题，特别是针对混合曝光的图像，这是否是一个新问题尚不确定。

该论文提出了一种名为RECNet的区域感知曝光校正网络，能够通过自适应学习和连接不同区域的曝光表示来处理混合曝光。其中，区域感知去曝光模块将混合曝光场景的区域特征有效地转换为曝光不变特征空间，而混合尺度恢复单元则将曝光不变特征和未处理特征集成起来以恢复局部信息。

该论文的实验结果表明了其方法的优越性和泛化性。论文还开放了代码，并使用了多个数据集进行实验。此外，论文提出的曝光对比度正则化策略也是值得关注的亮点。

近期的相关研究包括：1）《A Deep Learning Approach to Unevenly Exposed Image Enhancement》；2）《Deep Photo Enhancer: Unpaired Learning for Image Enhancement from Photographs with GANs》；3）《A Novel Framework for Exposure Correction in Digital Photography》等。