Linear Contrast Enhancement Network for Low-Illumination Image Enhancement 论文阅读笔记

• 这是2023年IEEE Transactions on instrumentation and measurement 的一篇暗图增强论文
• 网络结构如下图所示：
  
  
  

网络的输入由暗图、暗图的HSV的V分量（三通道的max）以及暗图的梯度图组成，分别送进三个分支。最上面的分支处理梯度图，最下面的分支处理亮度图，对亮度图进行残差的增强后产生L(I)，预测的残差同时送进中间的分支，也就是fig5中的$\hat{\sigma }$
-对比度线性增强的核心公式如下，即对前面的特征图进行归一化后乘以$1+\alpha$可以使得对比度增强（因为乘以的是一个大于1 的数，$\alpha$是下面的分支送上来的0-1之间的增量，是sigmoid过的）

• 其他的细节从图片可以看出来，而且没什么意思，我就不展开了，最核心应该就是这个公式了
• 损失函数是三个损失的加权和，其中L1损失是预测的梯度图、预测的亮度图和预测的亮图分别于GT的梯度图、亮度图和GT之间的L1损失，然后是预测的亮图和GT之间的SSIM损失以及perception损失

-比较了LOL上的PSNR和无参考图像数据集上的NIQE：

• 无论是视觉效果还是指标上表现都一般，虽然文章一直强调对比度对比度，我感觉不太明显：
  
• 文章给的启发是，强调对比度好像不太具有可视化效果上的说服力，现有方法虽然没有针对对比度去设计什么，但是像LLFlow之类的方法已经做得很好了。而从图片提取梯度分量亮度分量分支处理分支监督看起来效果也没有很显著。