Low-light Series: Lightening Network for Image Enhanced

前言

文章下载链接在后面
这是一篇顶刊TIP2020的文章，重点在于：

• 将暗光增强任务归类为一个求取残差的任务
• 借鉴了SR领域中的回投影技术提出了LBP模块
• 调节亮度的参数γ
• 未采用传统的L1和L2损失函数而是采用了SSIM损失函数与TV光滑损失函数相结合
• 暗光增强任务必须整合全局与局部特征方能较好地完成目标

residual的假设

其中定义为提升操作的是函数P()，
其中：

• X代表原始图像，
• \gamma是一个调整参数，
• 减去n表示噪声项，
• Y为目标图像。
  简单来说即是原始图像X经过提升操作后的残差与噪声相减得到的目标图像是一个被增强亮度的结果。
  在研究中指出低光成像与正常光照成像间的差异主要表现在像素值上。

DLN网络结构

网络架构示意图所示，在输入低光照图像时（或：当输入低光照图像时），通过一系列处理模块获得残差，并将原始图像X融合进来，则可获得预期输出图像Y。

LBP

Back-projection（BP）是一种源自于超分领域的核心概念。该方法通过