LOL-v1
PulseAugur coverage of LOL-v1 — every cluster mentioning LOL-v1 across labs, papers, and developer communities, ranked by signal.
-
AutoLumNet框架提供最先进的单次图像曝光校正
研究人员推出AutoLumNet，一个用于图像单次曝光校正的新型框架。该系统将校正过程分解为全局单调色调曲线和局部残差，确保全局组件符合正式保证。色调曲线的构建旨在保留亮度顺序，并使用排序样本 Wasserstein-2 目标进行优化。该框架还使用有界残差解码器来处理阴影和颜色偏移等局部效应。在五个基准上的实验表明，AutoLumNet在PSNR和SSIM方面表现出最先进的性能，处理速度快，并且无需重新训练即可有效地泛化到低光照条件。
-
新的低光图像增强方法实现高PSNR/SSIM
一种新的无训练低光图像增强方法已被开发出来，结合了局部光照估计、Retinex分解和边缘保持去噪。该方法利用条件负二项伪计数方法来表征分解过程中放大的异方差噪声，从而得到无约束的反射率比估计。该方法在LOL-v1数据集上实现了17.74dB/0.739的平均PSNR/SSIM，优于传统技术。此外，它可以在Apple M2 Pro CPU上以大约43 FPS的速度处理400x600的图像。
-
TCA-Net通过自适应融合改进低光图像增强
研究人员推出了一种新颖的用于低光图像增强的网络TCA-Net，该网络专注于强度和色度信息的可靠融合。与使用固定注意力配额的先前方法不同，TCA-Net采用置信度阈值，自适应地保留高置信度的跨流交互。该网络还包含一个用于亮度初始化的相位引导傅里叶交互模块和一个用于防止色度泄漏的解耦双流引导模块，以及用于结构鲁棒性的感知尺度一致性正则化。实验表明，TCA-Net在紧凑的参数尺寸下实现了具有竞争力的准确性和改进的色彩保真度。