A Spatio-temporal Aligned SUNet Model for Low-light Video Enhancement

低光条件下引起的扭曲不仅在视觉上令人不愉快，而且还会降低计算机视觉任务的性能。恢复和增强已被证明非常有益。然而，仅有少量的增强方法专门设计用于在低光条件下获取的视频。我们提出了一个时空对齐SUNet (STA-SUNet) 模型，使用Swin Transformer作为骨干网络，以捕捉低光视频特征并利用它们的时空相关性。STA-SUNet模型在一个新颖的全注册数据集（BVI）上进行训练，该数据集包括在不同光照条件下拍摄的动态场景。它还与三个测试数据集上的各种其他模型进行了比较分析。该模型在所有数据集上都展现出了卓越的适应性，获得了最高的PSNR和SSIM值。它在极低光条件下特别有效，产生了相当不错的可视化结果。

论文旨在解决低光条件下视频图像失真的问题，并提出了一种新的视频增强方法，旨在提高计算机视觉任务的性能。

论文提出了一种基于Swin Transformer的Spatio-Temporal Aligned SUNet (STA-SUNet)模型，用于捕捉低光视频特征并利用它们的时空相关性，从而实现视频增强。

论文使用了一个新的数据集（BVI）进行训练和测试，并与其他模型进行了比较。实验结果表明，STA-SUNet模型在极低光条件下表现出色，获得了最高的PSNR和SSIM值。此外，论文还提供了开源代码。

最近的相关研究包括“Low-Light Image Enhancement Using Gaussian Mixture Model and Contrast Enhancement”，“Deep Retinex Decomposition for Low-Light Enhancement”等。