简介

1. 论文 （期刊和发表时间）
   Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement (CVPR 会议 2020)
2. 论文链接
   https://openaccess.thecvf.com/content_CVPR_2020/html/Guo_Zero-Reference_Deep_Curve_Estimation_for_Low-Light_Image_Enhancement_CVPR_2020_paper.html
3. 源代码链接
   https://github.com/Li-Chongyi/Zero-DCE

主要 idea

本文提出一种基于深度学习的 Zero-Reference Deep Curve Estimation(Zero-DCE)算法, 用于弱光图像增强. 算法输入为弱光图像, 输出为高阶曲线. 输出的高阶曲线对在输入的动态范围内进行像素级调整, 从而获得增强图像.

实验简介

(1) 数据集： 1 个
SICE 数据集：本文采用 SICE 数据集的 360 个多曝光序列来训练 DCE-Net. 将其中的3022 张不同曝光度的图像随机分成两部分（2422 张图像用于训练, 其余用于验证）. 并将训练图像的大小调整为 512×512.
SICE 数据集来着 2018 年发表在 IEEE TRANSACTIONS ON IMAGE PROCESSING 上的
论文 Learning a Deep Single Image Contrast Enhancer from Multi-Exposure Images. 通过七种不同的摄像设备(包括 Sony α7RII, Sony NEX-5N, Canon EOS-5D Mark II, Canon EOS-750D, Nikon D810, Nikon D7100 and iPhone 6s)采集各个场景、各种曝光值的图像序列, 每个序列包含 3 到 5 张图像, 收集源图像后, 进一步筛选所需的序列以生成参考图像. 最终的数据集
包括 589 个序列, 4413 张多重曝光图像.
(2) 实验设计： 本文在 NVIDIA 2080Ti GPU 上用 PyTorch 实现提出的框架. 并将本文提出的 Zreo-DCE 算法与三种常规方法、两种基于 CNN 的方法和一种基于 GAN 的方法比较.

实验结果

输入1

输出1

输入2：

输出2：

输入3：

输出3：