简介

（1）论文2：
Attention Guided Low-light Image Enhancement with a Large Scale Low-light Simulation Dataset
（2）论文链接：
https://arxiv.org/pdf/1908.00682v3.pdf
（3）源代码链接：
https://github.com/Lvfeifan/MBLLEN

主要idea

弱光图像增强具有一定的挑战性，因为它不仅需要考虑亮度恢复，还需要考虑颜色失真和噪声等复杂问题，这些问题通常隐藏在黑暗中。简单地调整低光图像的亮度将不可避免地放大这些伪影。本文提出了一种基于多分支卷积神经网络的端到端注意力引导方法，且在多个数据集上的大量实验表明，我们的方法可以产生高保真的低光图像增强结果，并在数量和视觉上大大优于现有的先进方法。

实验简介

首先用精心设计的弱光模拟策略构建一个合成数据集。该数据集比现有数据集更大、更多样化。利用新的数据集进行训练，学习两个注意图分别指导亮度增强和去噪任务。第一种注意图区分了曝光不足和光照充足的区域，第二种注意图区分了噪声和真实纹理。
实验环境：
python
数据集：
Training set contains three sub-sets:
1.train (Original images as the ground truth, image size is 256256, JPG image)
2.train_dark (Synthetic lowlight images without additional noise, image size is 256256, JPG image)
3.train_lowlight (Synthetic lowlight images with Poisson noise, image size is 256*256, JPG image)
model：
LOL_img_lowlight.h5
Syn_img_lowlight.h5
Syn_img_lowlight_withnoise.h5（默认模型）
运行步骤：
1）可以直接运行test.py，输入为input文件下图片，默认使用Syn_img_lowlight_withnoise.h5模型，输出在result文件夹。
2）也可以直接用自己的数据集训练模型在在运行，训练模型是运行train.py,要注意更改代码中数据集的地址。

实验结果

输出结果为输入的每一张图增加为三张，第一张为原图，第二张为将光线不足的区域与光线充足的区域区分开所得到的图，第三张为将噪声与真实纹理区分开的图
（1）Syn_img_lowlight_withnoise模型




（2）Syn_img_lowlight模型




（3）LOL_img_lowlight模型