DI-Retinex: Digital-Imaging Retinex Theory for Low-Light Image Enhancement

许多现有的基于Retinex理论的低光图像增强（LLIE）方法忽略了影响该理论在数字成像中有效性的重要因素，如噪声、量化误差、非线性和动态范围溢出。本文通过对数字成像中Retinex理论的理论和实验分析，提出了一个新的表达式，称为数字成像Retinex理论（DI-Retinex）。我们的新表达式在增强模型中包含一个偏移项，允许使用非线性映射函数进行像素级亮度对比度调整。此外，为了以无监督的方式解决低光增强问题，我们在Gamma空间中提出了一种图像自适应的反掩蔽退化损失。我们还设计了一种方差抑制损失，以调节附加偏移项。广泛的实验表明，我们提出的方法在视觉质量、模型大小和速度方面均优于所有现有的无监督方法。我们的算法还可以帮助低光下的下游人脸检测器，因为它在低光增强后显示出与其他方法相比的最大性能提升。

论文旨在通过提出数字成像Retinex理论（DI-Retinex）来解决低光图像增强中存在的噪声、量化误差、非线性和动态范围溢出等问题，同时提出了一种无监督的图像自适应掩蔽反降解损失方法来解决低光增强问题。

DI-Retinex理论包括增强模型中的偏移项，允许使用非线性映射函数进行像素级亮度对比度调整。同时，使用Gamma空间中的图像自适应掩蔽反降解损失来解决低光增强问题。

论文提出的DI-Retinex理论在视觉质量、模型大小和速度等方面均优于所有现有的无监督方法。实验使用了多个数据集，并且提供了开源代码。论文还指出，该算法可以在低光环境下协助下游人脸检测器，因为它在低光增强之后相比其他方法表现出最大的性能提升。

最近的相关研究包括：'Low-Light Image Enhancement Using a Hybrid Deep Learning Approach', 'Low-Light Image Enhancement Based on Illumination Map Estimation Using a Dual-Stream Convolutional Neural Network', 'A Novel Low-Light Image Enhancement Framework Based on Retinex and Guided Filtering'等。