通过定制的可学习先验为低光图像增强器赋能
原文中文，约300字，阅读约需1分钟。发表于：。本研究提出了一种低光图像增强范式，利用自定义的可学习先验来提高深度展开范式的透明度和解释性，通过 Masked Autoencoder（MAE）的特征表示能力定制了基于 MAE 的光照和噪声先验，并在多个低光图像增强数据集上的实验证明了该范式优于现有方法。
本文提出了一种新颖的网络结构，利用感知偏差照明方式和完整图像建模来解决低光照图像增强问题。通过将伽马校正与深度网络相结合，能够自适应地感知偏离的照明来学习校正因子伽马。通过使用泰勒级数近似伽马校正，加速了训练和推理速度。提出了一种新颖的变压器块，通过层次化注意机制模拟跨图像像素的依赖关系，从而以高效的方式推断出暗区。实验结果表明，该方法优于现有方法。
