基于潜在解耦的低光图像增强
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文综述了低光图像增强算法及其评估，介绍了基于对比学习、Transformer和语义感知的多种增强方法。这些新算法在多个数据集上表现优于现有模型，提升了图像质量和处理效率，具有良好的实际应用潜力。
❓
Q&A
低光图像增强算法有哪些分类？
低光图像增强算法可以分为基于对比学习、Transformer和语义感知等多种方法。
基于对比学习的低光图像增强算法有什么特点？
该算法利用多任务联合学习，确保曝光、纹理和颜色的一致性，表现优于现有模型。
Transformer在低光图像增强中如何应用？
基于Transformer的方法在系统基准测试中表现优于现有算法，提升了面部检测性能。
语义感知的知识引导框架有什么优势？
该框架结合语义分割模型学习先验知识，具有良好的泛化性能，优于基线模型。
BCNet网络如何实现低光图像的定制增强？
BCNet通过图像着色技术，满足用户对不同饱和度和颜色风格的偏好，实现定制增强。
ResVMUNetX在低光图像增强中有什么创新？
ResVMUNetX通过误差回归和高效的VMamba架构，显著提高了图像清晰度和质量，降低了计算需求。
🏷️
