基于潜在解耦的低光图像增强
原文中文，约300字，阅读约需1分钟。发表于：。本研究针对现有低光图像增强算法中基于Retinex理论的分解技术导致的性能限制问题，提出了一种潜在解耦增强网络（LDE-Net）。该方法通过在潜在空间中解耦输入图像，消除内容和照明组件中的干扰，并通过内容感知嵌入模块增强照明成分。实验结果表明，LDE-Net在多个低光图像增强基准测试中显著优于当前最先进的方法，并在下游任务中展现出潜在的应用价值。
该研究提出了一种新型图像增强网络ResVMUNetX，解决了低光条件下深度学习方法的局限性。通过两步过程，包括像素添加和去噪卷积神经网络模块，提高了亮度、恢复了结构细节并消除了噪声。在LOL数据集上展示了卓越性能，实现了每秒70帧的实时处理速度。证实了其在增强低光图像方面的有效性和实际应用潜力。
