弱光增强模型

场景适应快

采用双层优化框架，通过冻结编码器实现跨场景泛化，并为解码器提供元初始化，解决不同低光场景分布差异导致的模型失效问题。

Ma, Long · Jin, DIan · Nan, An · 刘金远 · 樊鑫 · 罗钟铉 · 刘日升

International Journal of Computer Vision 2023

技术优势

跨场景适应

冻结编码器保持场景无关的通用表示，新场景下无需重新训练编码器，仅需适应解码器。

视觉质量提升

通过强化双层学习框架为特定场景的解码器提供元初始化，进一步改善增强图像的视觉质量。

实用性设计

采用Retinex诱导架构，集成了自适应去噪，并支持监督与无监督两种训练损失，适应不同标注条件。

性能可比

在多个数据集上的大量实验评估验证了方法的适应性，性能与现有最优工作相当。

应用场景

• 低光摄影增强：低光摄影增强中，该方法利用双层优化冻结编码器，将深度学习模型泛化至新场景，避免逐场景重训。
• 医学图像增强：医学图像增强中，该模型可扩展到新医疗场景，增强了低光医学图像的泛化和实用性。
• 无人机夜间视觉：无人机夜间视觉中，该方法可快速适应夜间环境，冻结编码器保持通用表示，无需重训。
• 智能监控视频增强：智能监控视频增强中，该模型可适应不同监控场景，无需重新训练编码器，提高部署效率。
• 工业视觉检测：工业视觉检测中，该方法可适应不同工业场景的低光图像，冻结编码器减少调整成本。