可控低光视频增强的解卷积无配对学习
内容提要
本文介绍了一系列低光图像增强方法，包括深度学习网络结构和无监督学习策略。这些方法通过优化图像处理流程，显著提升了低光环境下图像质量，并在真实场景中展示了有效性和竞争力。
延伸解读
从图像到视频：低光增强的技术演进
文章梳理了低光增强从静态图像到视频的扩展。早期方法如端到端深度卷积网络处理原始短曝光图像，后续研究引入Retinex理论、无监督学习和Transformer架构，提升增强效果。2024年的工作将Retinex分解策略用于视频，结合动态相邻帧相关性和场景级连续性约束，实现视频增强和一致分解，表明该领域正从单帧处理向时序一致性发展。
无监督与零样本学习的实用化趋势
文章多次提到无监督和零样本方法，如基于直方图均衡化先验和噪声分离的无监督增强、语义引导的零样本网络、以及基于Swin Transformer的无监督双分支网络。这些方法不依赖成对训练数据，更贴近真实场景中难以获取配对样本的困境，且实验表明其性能可与监督方法媲美，显示出降低数据标注成本的潜力。
深度展开网络：平衡性能与可解释性
文章介绍了基于深度展开网络的低光增强模型，如双重退化启发的模型和利用可学习先验的范式。这些方法通过展开优化过程，显式模拟低光图像恶化机制，并引入自定义先验（如基于MAE的光照和噪声先验），提高了透明度和解释性。相比黑盒网络，深度展开在保持性能的同时，为理解增强过程提供了新视角。
Q&A
什么是Retinex-inspired Unrolling with Architecture Search（RUAS）方法？
RUAS是一种用于构建低光图像增强网络的方法，基于Retinex规则，通过无参考学习策略优化网络架构，效果优于最新方法。
无监督低光图像增强方法的优势是什么？
无监督低光图像增强方法能够恢复更好的细节，并有效抑制噪声，实验证明其性能可与最先进的监督算法相媲美。
基于深度学习的分解网络结构如何提升低光图像质量？
基于深度学习的分解网络结构通过场景上下文依赖关系有效增强低光照条件下的图像质量，具有实际应用价值。
Swin Transformer在低光图像增强中的应用效果如何？
基于Swin Transformer的双分支网络利用无监督学习实现低光图像增强，实验结果显示具有竞争性。
如何通过无监督网络增强低光图像？
无监督网络使用上下文引导的自适应光照规范来增强低光图像，并提出区域自适应的SIMO模型，表现优于以往方法。
低光图像增强的最新研究进展有哪些？
最新研究包括基于Retinex的视频分解策略和双重退化模型，显著提升了低光环境下图像和视频的质量。
