论文标题：Self-supervised Low Light Image Enhancement and Denoising 论文链接：https://arxiv.org/abs/2103.00832 作者单位：哈尔滨工业大学 表现SOTA！性能优于Retinex-Net、RRM等网络。

本文提出了一种基于深度学习的自监督的弱光图像增强方法，该方法可以提高图像对比度，同时减少噪声，从而避免了前/后去噪引起的模糊。该方法包含两个深度子网，一个图像对比度增强网络（ICE-Net）和一个重新增强和去噪网络（RED-Net）。 ICE-Net将弱光图像作为输入，并产生对比度增强的图像。 RED-Net将ICE-Net的结果和弱光图像作为输入，并且可以同时重新增强弱光图像和去噪效果。这两个网络只能使用低光照图像进行训练，这可以通过基于最大熵的Retinex（ME-Retinex）模型以及噪声独立分布的假设来实现。在ME-Retinex模型中，对反射率图像引入了新的约束条件，即反射率图像的最大通道与弱光图像的最大通道一致，并且其熵应该最大，从而转换了反射率和照明的分解。在Retinex模型中解决了非病态问题，并允许以自监督的方式训练ICE-Net。 RED-Net的损失函数经过精心公式化，以在训练过程中将噪声和细节分开，并且它们基于以下思想：如果噪声是独立分布的，则在对平滑滤波器（例如均值滤波器）进行处理后，噪声部分应小于细节部分的梯度。实验证明，该方法是有效的。

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