- これは CVPR2023 の弱く教師された暗い画像強調の論文です. 異なる明るさの 2 つの暗い画像と同じシーンの同じ内容のデータ セットが必要です. しかしこの論文は, 暗い画像に同様のサンプリング操作を適用できることを提案しています. 2 つの画像を取得するには、neighbor2neighbor に送信します。
- ネットワーク構造は以下の図に示されています. 3 つのモジュールで構成されています. P-net は画像上のノイズ除去とアーティファクトの除去を担当します. L-Net と R-Net はそれぞれ retinex の L 成分と R 成分の推定に対応しますモデル。g(L)はガンマ補正です。
- トレーニング プロセスには 3 つの損失があることがわかります。1 つは P-Net の再構築損失で、実際には入力と出力の L2 損失にすぎません (P-Net が機能する理由も、他の損失の監視)、次に は retinex の再構成損失 (L*R=I) であり、2 つの暗い画像によって生成された R 成分は次のように同じ損失でなければなりません。
- retinex の再構成損失は非常に特殊で 4 つの項目で構成されていますが、1 番目、3 番目、4 番目の項目はより一般的なものであり、一般的な retinex の以前の損失です。2 番目の項は相補的で、stopgrad は勾配が L に伝播されないことを意味します。
- 実験結果は悪くない
- 要約: この記事の考え方は少し奇妙だと思います。同じシーンの画像を 2 枚取得できるのですから、1 枚は暗く、もう 1 枚は明るくしてはどうでしょうか。ただし、neighbor2neighbor サンプリングを使用して学習用の 2 つのサンプルを取得すれば問題ありませんが、この方法で学習した実験結果はありません。実際、革新点は平均的で、唯一 P-net が画像のノイズ除去に Retinex 損失を使用している点が非常に興味深い点であり、その他は Retinex 方式の一般的な損失です。