11、论文阅读：无监督夜间图像增强：层分解与光效抑制的结合

前言

夜间图像不仅受到低光的影响，而且还受到光的不均匀分布的影响。
现有的夜间能见度增强方法大多集中在增强弱光区域。这不可避免地导致明亮区域中的过度增强和饱和，例如受光效应（眩光、泛光灯等）影响的那些区域。
为了解决这个问题，我们需要抑制明亮区域中的光效应，同时提高暗区域的强度。
考虑到这个想法，我们引入了一种无监督的方法，它集成了层分解网络和光效应抑制网络。

给定一张夜间图像作为输入，我们的层分解网络学习分解阴影，反射和灯光效果层，由无监督的特定层先验损失指导。

我们的光效应抑制网络进一步抑制了光效应，同时增强了暗区的照明。该光效应抑制网络利用估计的光效应层作为引导来聚焦于光效应区域。

为了恢复背景细节并减少幻觉/伪影，我们提出了结构和高频一致性损失。

我们对真实的图像的定量和定性评估表明，我们的方法优于国家的最先进的方法，在抑制夜间灯光的影响，提高黑暗区域的强度。

介绍

现有的夜间可见度增强方法主要集中在增强弱光区域的亮度。因此，当这些方法应用于包含灯光效果的夜间图像时，它们不可避免地放大了灯光效果，并且甚至进一步损害了图像的可视性。与这些方法不同，本文的目标是在增强暗区域强度的同时抑制光照效应。

全监督学习方法可能是实现我们目标的一种可能的解决方案。然而，这些方法将需要在具有和不具有光效果的情况下拍摄的成对夜间图像的多样且大量的集合，这难以获得。另一种可能的解决方案是使用具有渲染灯光效果的合成夜间图像。然而，在合成夜间数据上训练的方法的有效性取决于灯光效果渲染模型的质量。据我们所知，在各种背景场景和照明条件下渲染物理上正确的夜间灯光效果仍然具有挑战性

本文介绍了一种无监督学习方法，该方法将层分解网络和光照抑制网络集成在一个统一的框架中。

我们的层分解网络来自于图像层模型，并在特定于层的先验损失的指导下将输入图像分解为阴影层、反射层和光效应层。

随后，我们的光效应抑制网络在有和没有光效应的未配对图像上进行训练，提供了额外的无监督约束。该网络不仅加强了光照效果的分解，而且增强了暗区的强度。两个网络，即分解网络和光效应抑制网络，是连接的。

为了恢复光照效应区域后面的背景细节，我们引入了结构和高频特征(HF)一致性损失。我们采用基于VGG网络的结构一致性，并利用引导滤波器来获得HF特征。结构和高频特征的一致性损失也可以减少幻觉。

相关工作

Sharma和Tan介绍了一种基于相机响应函数（CRF）估计和HDR成像的方法，以抑制光效应。该方法是第一种可以抑制光效应并提高夜间图像动态范围的方法。然而，其遭受如图1所示的伪像和缺失细节，特别是对于白色（或消色差）光。

在夜间图像去雾领域，已经提出了几种方法来抑制由于霾/雾粒子引起的辉光。Li等人使用层分离解决了雾夜的辉光消除。Zhang等人。使用最大反射率优先去除雾和辉光。Ancuti等人使用融合过程和拉普拉斯算子进行去辉光和去雾。Yan等人提出了一种采用灰度引导网络的半监督方法。然而，所有这些方法都是为在有雾或有雾的夜晚抑制辉光而设计的，而不是为了消除清晰的夜晚图像中的光效应。此外，与我们的方法不同，它们也不是为增强暗区而设计的。

已经开发了许多方法来提高低光图像的亮度，而不考虑夜间灯光效果的存在。一些方法是基于直方图均衡化，反演和去雾，retinex模型，而最近