论文标题：Benchmarking Low-Light Image Enhancement and Beyond

项目链接：https://flyywh.github.io/IJCV2021LowLight_VELOL/

本文对现有的单张图像低光照增强算法进行了系统的回顾和评估。除了常用的面向底层视觉的评价指标，本文还考虑通过人脸检测任务来测量低光照条件下的机器视觉性能，以探索高层和底层视觉增强的联合优化潜力。为了实现这点，首先提出了一个大规模的低光图像数据集，该数据集包含多样化场景内容和真实场景中的复杂降质，同时服务于底/高层次视觉，称为低光条件下的视觉增强数据库(VE-LOL)。除了没有标注的成对低光/正常光图像，数据集还包括低光条件下带有人脸边界框标注的人脸图像。之后，从人眼和机器视觉的角度努力进行基准测试。使用丰富的标准从底层视觉角度进行评估，使用参考、无参考和语义相似度指标进行度量。此外，还测量了低光照增强算法对低光照条件下人脸检测的影响。评估基于最先进的人脸检测方法。在基准测试的基础上，进一步探索了联合低光增强和人脸检测的新问题，设计了一个增强人脸检测器，联合应用低光增强和人脸检测算法。将增强模块提取的特征送入具有相同分辨率的检测模块，使两阶段特征交织在一起，共同学习跨越增强/检测两阶段的有用信息。基于VE-LOL的实验提供了最先进的低光增强算法的比较，指出了已有方法的局限性以及未来方向。

内容中包含的图片若涉及版权问题，请及时与我们联系删除