1. 论文基本信息

• 论文标题：Kindling the Darkness: A Practical Low-light Image Enhancer

• 作者：Yonghua Zhang等

• 发表时间和期刊：2019；ACM MM

• 论文链接：https://arxiv.org/abs/1905.04161

2. 研究背景和动机

现有的研究方法在低光图像增强都存在或多或少的缺陷，基于直方图均衡化或者Gamma矫正的传统方法几乎没有考虑到真实条件的光照因素，因此生成结果往往不够真实；基于亮度的方法没有考虑到不同亮度区域噪声、颜色扭曲等等问题的影响是不同的。

3. 主要贡献

• 受Retinex理论的启发，所提出的网络将图像分解为两个组成部分，即反射率（reflectance）和光照（illumination），这将原始空间解耦为两个较小的空间。

• 训练数据的选择方面，网络是用在不同光线/曝光条件下拍摄的配对图像进行训练的，而不是使用任何真实的反射率和光照信息。

• 我们设计的模型提供了一个映射函数，可以根据用户的不同需求灵活调整光线水平。所提出的网络还包含一个模块，能够有效地移除在提亮暗区时被放大了的视觉缺陷。

4. 方法和模型

        (1) 网络总体架构图如下。总体分为三大块：分解层、反射图恢复、亮度图调整。其中输入为不同曝光条件的图片对，并且网络的三大块各有其独特的损失函数。

分解层的损失函数主要考虑以下四部分：反射图相似性、亮度图相似性、整体重建性、相互一致性

 反射图恢复部分损失函数公式如下：

亮度图调整部分损失函数如下：

 

5. 个人思考与讨论

        个人粗浅见解，这篇工作的总体架构和RetinexNet架构很相像。但是引入了不同曝光条件的图片对作为训练数据，而不用完整的ground-truth（通常很难获得，而且不同人对正常光亮的定义也是不一样的），作者团队在损失函数的设计上也考虑了很多，是一篇很经典的工作。