CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement

低光图像增强（LLIE）旨在改善低照明图像。然而，现有方法面临两个挑战：（1）从不同的亮度降级中恢复的不确定性；（2）噪声抑制和光线增强导致的纹理和颜色信息丢失。本文提出了一种新的增强方法CodeEnhance，通过利用量化先验和图像细化来解决这些挑战。特别地，我们将LLIE重新定义为从低光图像到离散码本的图像到码的映射学习，该码本已经从高质量图像中学习。为了增强这个过程，引入了语义嵌入模块（SEM）来将语义信息与低级特征集成，以及一个码本移位（CS）机制，旨在适应预先学习的码本以更好地适应我们的低光数据集的不同特征。此外，我们提出了一个交互式特征转换（IFT）模块，在图像重建过程中细化纹理和颜色信息，允许基于用户喜好进行交互式增强。在真实世界和合成基准测试上的大量实验表明，引入先验知识和可控信息传输显著提高了LLIE的性能，从质量和保真度两方面来看。所提出的CodeEnhance对各种降级具有优越的鲁棒性，包括不均匀照明、噪声和颜色失真。

本论文旨在解决低光图像增强（LLIE）中存在的不确定性和信息损失问题，提出了一种基于量化先验和图像细化的新型增强方法CodeEnhance。

将LLIE作为从低光图像到离散码本的图像到码字映射学习，并引入语义嵌入模块（SEM）、码本偏移（CS）机制和交互式特征变换（IFT）模块来提高增强效果。

论文在真实世界和合成基准测试上进行了广泛实验，证明了先验知识和可控信息传递的引入显著提高了LLIE性能的质量和保真度。CodeEnhance在不同的退化情况下表现出卓越的鲁棒性，包括不均匀的照明、噪声和色彩失真。

最近在这个领域中，还有一些相关研究，例如：Low-light Image Enhancement Using Variational Autoencoders with A Truncated Prior Distribution（使用带有截断先验分布的变分自编码器进行低光图像增强）和Learning to See in the Dark（在黑暗中学习看见）。