CDIN:基于色度引导的动态隐式神经表示技术,用于弱光图像增强
《Digital Signal Processing》:CDIN: Chroma-Guided Dynamic Implicit Neural Representation for Low-Light Image Enhancement
【字体:
大
中
小
】
时间:2026年03月25日
来源:Digital Signal Processing 3
编辑推荐:
提出基于隐式神经表示的CDIN框架,通过动态窗口生成器和跨组件门控机制协同优化亮度与色度信息,结合纹理一致性损失抑制噪声和伪影,有效提升高分辨率低光图像的色彩保真与细节恢复,实验验证优于现有方法。
Bing Wang|Miaomiao Han|Xiaojin Ren|Tong Sun|Junyang Yu
河南大学软件学院,开封,475000,中国
摘要
在高分辨率下增强低光照图像是一项具有挑战性的任务,需要在视觉保真度和计算效率之间取得微妙的平衡。虽然新兴的隐式神经表示方法在计算上具有优势,但它们传统的独立优化亮度通道的范式容易导致颜色伪影和细节退化。为了克服这一限制,我们提出了Chroma-Guided Dynamic Implicit Network(CDIN)这一新颖框架,该框架学习从像素坐标到光照值的连续映射,以实现零参考学习。为了减少高分辨率处理中的计算冗余,该框架首先使用动态窗口生成器来定位和提取显著特征。随后,引入了跨组分门控机制来纠正独立亮度优化中的颜色偏差;该机制利用HSV空间中的色度信息(色调和饱和度)协同指导值通道的优化。此外,新颖的纹理一致性损失和自适应感知优化策略的协同应用有效地对抗了与零参考学习相关的细节退化和伪影,确保了细粒度结构的保留,并提升了整体感知质量。在包括UHD-LL和LOL在内的基准数据集上的广泛实验验证了CDIN在颜色保真度和细节保留方面的卓越性能,为增强高分辨率低光照图像提供了一种新的高质量解决方案。
引言
高质量的视觉感知是现代智能系统的基础,在自动驾驶和智能监控等关键应用中尤为重要[1]。然而,在低光照条件下,由于可见度低、颜色失真和噪声污染,图像质量会严重下降。这种退化不仅损害了人类的视觉体验,还削弱了下游高级视觉任务(如物体检测和语义分割[2]、[3])的性能,从而影响了人工智能系统的可靠性和安全性。因此,低光照图像增强(LLIE)作为一种基本的图像恢复技术,对于确保计算机视觉系统在多样化和具有挑战性的环境中的鲁棒性至关重要。
LLIE领域已经从传统的方法(如直方图均衡化和Retinex理论[4]、[5])发展到数据驱动的深度学习方法。尽管监督学习方法显著提高了增强效果,但其性能高度依赖于大规模、高质量的配对数据,而在实际场景中获取这些数据既昂贵又具有挑战性。为了克服这一限制,研究人员转向了无监督学习,其中基于生成对抗网络(GANs)和零参考学习[6]、[7]的方法尤为突出。通过隐式分布匹配或精心设计的无参考损失函数,这些方法显著增强了LLIE模型在现实场景中的泛化能力和实用价值。
尽管无监督方法取得了显著进展,但在复杂场景中仍面临挑战。首先,关于颜色保真度,现有模型难以准确模拟低光照成像的复杂物理过程。它们通常采用亮度与色度解耦的简化假设,这容易导致颜色偏移或过饱和等伪影[8]。其次,对于具有大面积暗区域的图像,主流网络(如CNN和Transformer)受到局部归纳偏差或有限感受野的限制。这使得捕捉长距离像素依赖性变得困难,限制了全局上下文的利用,并导致暗区域中的纹理恢复不足[9]。最后,现有方法倾向于优先考虑像素级别的统计指标,而忽视了人类视觉感知。正如最近在图像质量评估(IQA)研究中所强调的那样,该研究涵盖了无参考场景下的盲质量估计[10]、[11]、[12],以及特定任务(如去雾[14]和光场重建[15]的客观指标,感知质量是评估图像恢复性能的核心维度。然而,由于缺乏对感知质量的显式建模,当前的无监督方法在亮度增强和伪影抑制之间难以取得平衡。因此,它们在尝试恢复细节时经常引入不自然的伪影,从而损害了整体图像保真度[16]。
为了系统地解决上述挑战,本文提出了一种新的基于色度的零参考协同增强框架,该框架建立在先进的低光照增强方法Colie[17]的基础上。在我们的框架中,我们在HSV颜色空间内操作,通过协同优化上下文感知、颜色保真度和感知质量,实现了精确且稳健的低光照图像增强。本工作的核心贡献如下:
- •
我们提出了一种动态窗口生成器(DWG),它通过动态融合全局上下文、局部显著性和边缘信息来识别关键区域。随后,它使用通道注意力进行特征重新校准,从而实现分层特征选择和细化。
- •
我们设计了一种基于色度的亮度增强(CGLE)策略,该策略采用跨组分门控(CCG)机制来促进色度和亮度之间的特征交互。这一过程生成了一个动态光照图,以指导细粒度调整,从而克服了传统孤立通道优化的局限性。
- •
我们设计了一种纹理一致性损失,以解决现有零参考损失函数在恢复高频细节方面的局限性。这种损失与自适应饱和度调整和高斯模糊混合技术协同工作,以抑制噪声和伪影,同时保持高感知质量。
模型基础方法
早期的低光照图像增强研究主要采用基于模型的方法,这些方法依赖于预定义的物理或统计先验来构建增强框架。其中,直方图均衡化(HE)及其自适应变体(如AHE和CLAHE)通过调整像素强度分布来增强对比度。然而,由于忽略了空间信息,这些方法常常导致噪声放大、细节丢失和颜色失真[18]。另一条重要的研究路线是
颜色空间选择策略
虽然LAB或OKLAB等颜色空间在感知均匀性方面具有优势,但我们选择HSV空间的主要原因是其出色的属性解耦能力和颜色保真度。如图3所示,HSV明确地将色度与亮度分开;值得注意的是,H和S通道即使在低光照条件下也能保持相对清晰的语义结构。这一特性为我们的CCG机制提供了稳健的先验信息。相比之下,
数据集和评估指标
我们提出的方法通过对配对和非配对低光照数据集的广泛实验进行了全面评估。对于配对数据集UHD-LL [51]、LOLv1 [5]和LOLv2-real [52],我们使用了三个全参考指标:峰值信噪比(PSNR)来量化像素级保真度,结构相似性指数(SSIM)来衡量结构一致性,以及学习感知图像块相似性(LPIPS)[53]来评估感知质量。对于四个非配对数据集局限性和未来工作
尽管所提出的方法展示了卓越的恢复质量,但由于其依赖于隐式神经表示中的迭代优化机制,因此与仅需要单次前向传递的预训练前馈网络相比,推理延迟较高。这种测试时训练范式限制了其在低延迟场景(如实时视频处理)中的直接应用。未来的工作将探索元学习或知识蒸馏技术
结论
在本文中,我们提出了CDIN,这是一种基于隐式神经表示的零参考低光照图像增强模型,旨在解决颜色失真和细节退化等关键问题。我们方法的核心创新是在HSV颜色空间内的跨组分引导策略。该策略利用色度信息来约束和优化亮度恢复过程,从而在保证颜色保真度的同时增强图像亮度
CRediT作者贡献声明
Bing Wang:概念化、方法论、软件、验证、研究、撰写——原始草稿。Junyang Yu:监督、项目管理、资金获取、撰写——审阅与编辑。Miaomiao Han:方法论、验证、可视化。Xiaojin Ren:监督、资源、撰写——审阅与编辑。Tong Sun:数据管理、研究、软件。
CRediT作者贡献声明
Bing Wang:概念化、方法论、软件、验证、研究、撰写——原始草稿。Miaomiao Han:方法论、验证、可视化。Xiaojin Ren:监督、资源、撰写——审阅与编辑。Tong Sun:数据管理、研究、软件。Junyang Yu:监督、项目管理、资金获取、撰写——审阅与编辑。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号