基于上下文的快速低光图像增强：神经隐式表示
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本文介绍了多种低光图像增强方法，包括轻量级神经网络、结合CNN和transformers的框架ClassLIE，以及基于对比学习的算法。这些方法在不同数据集上表现优异，有效解决了低光条件下的曝光、噪声和颜色失真问题，展现出良好的鲁棒性和定制化能力。
❓
Q&A
低光图像增强的主要方法有哪些？
主要方法包括轻量级神经网络、ClassLIE框架、CodeEnhance方法、HVI颜色空间、BCNet网络等。
ClassLIE框架的特点是什么？
ClassLIE框架结合了CNN和transformers，能够更好地分类和自适应学习低光图像中的结构和光照信息。
CodeEnhance方法如何改善低光图像的质量？
CodeEnhance通过学习低光图像到离散码书的映射，改善图像恢复中的不确定性和噪声，增强图像质量。
HVI颜色空间在低光图像增强中有什么优势？
HVI颜色空间有效解耦了RGB通道的亮度和色彩，改善了低光图像增强过程中的颜色和亮度伪影问题。
BCNet网络如何实现用户定制的图像增强？
BCNet通过引入图像着色，允许用户根据偏好选择不同的饱和度和颜色风格进行定制增强。
低光图像增强算法的评估标准是什么？
评估标准包括客观指标如PSNR和SSIM，以及主观视觉效果的评估，使用公开的评估指标和定期更新的数据集。
🏷️
