低照度画像補正に関する記事をまとめました
低照度画像強調は画像強調タスクの重要な部分ですが、現在の低照度画像強調方法のコレクションにはばらつきがあります。そこで、既存の記事をベースに、既存の低照度画像強調アルゴリズム（記事とコード）をまとめてみたいと思います。私自身と皆さんが、低照度画像補正の分野で記事やコードを見つける際に、少しでも便利になればと思っています。
よく利用するWebサイト
最初に、より適切な URL をいくつか紹介します。最初の 3 つは、低照度画像の強化をまとめた github 上の URL、4 つ目は、低照度画像の整理に関する Paperwithcode Web サイトのリンクです。
- https://github.com/Li-Chongyi/Lighting-the-Darkness-in-the-Deep-Learning-Era-Open
- https://github.com/baidut/OpenCE
- https://github.com/dawnlh/low-light-image-enhancement-resources
- https://paperswithcode.com/task/low-light-image-enhancement
一般的に使用されるデータセット
-
(笑) : https://daooshee.github.io/BMVC2018website/
引用: Wei C、Wang W、Yang W、他。低照度強化のための深いレティネックス分解[J]。arXiv プレプリント arXiv:1808.04560、2018。 -
MEF : https://drive.google.com/drive/folders/1lp6m5JE3kf3M66Dicbx5wSnvhxt90V4T
引用: Ma K、Zeng K、Wang Z. 多重露出画像融合の知覚品質評価 [J]。画像処理に関する IEEE トランザクション、2015、24(11): 3345-3356。 -
SID : https://github.com/cchen156/Learning-to-See-in-the-Dark
引用者: Chen C、Chen Q、Xu J、他。暗闇の中で見ることを学ぶ[C]//コンピューター ビジョンとパターン認識に関する IEEE 会議の議事録。2018: 3291-3300。 -
VV : https://drive.google.com/drive/folders/1lp6m5JE3kf3M66Dicbx5wSnvhxt90V4T
-
DICM : https://drive.google.com/drive/folders/1lp6m5JE3kf3M66Dicbx5wSnvhxt90V4T
引用: Lee C、Lee C、Kim C S. 階層化された差分表現に基づくコントラスト強調[C]//2012 19th IEEE International Conference on Image Processing 。IEEE、2012: 965-968。 -
LIME : https://drive.google.com/file/d/0BwVzAzXoqrSXb3prWUV1YzBjZzg/view
引用: Guo X、Li Y、Ling H. LIME: 照明マップ推定による低照度画像強調 [J]。画像処理に関する IEEE トランザクション、2016、26(2): 982-993。 -
SCIE : https://github.com/csjcai/SICE
引用者: Cai J、Gu S、Zhang L。多重露出画像からの深い単一画像コントラスト エンハンサーの学習[J]。画像処理に関する IEEE トランザクション、2018、27(4): 2049-2062。 -
NPE : https://drive.google.com/drive/folders/1lp6m5JE3kf3M66Dicbx5wSnvhxt90V4T
引用: Wang S、Zheng J、Hu HM、他。不均一な照明画像に対する自然性を保持した強調アルゴリズム[J]。画像処理に関する IEEE トランザクション、2013、22(9): 3538-3548。
論文リスト
【2022年】
1. 記事: DRLIE: もつれの解いた表現による柔軟な低照度画像強化 [教師なし学習] [ユーザー定義の強化]
引用: Tang、Linfeng、他。「DRLIE: もつれの解いた表現による柔軟な低照度画像の強化」ニューラル ネットワークと学習システムに関する IEEE トランザクション (2022)。。
論文: https://ieeexplore.ieee.org/abstract/document/9833451/
コード: https://github.com/Linfeng-Tang/DRLIE【TensorFlow】
【2021年】
1. 記事: EnlightenGAN: ペア教師なしのディープ ライト強化 [半教師あり学習] [GAN]
引用: Y. Jiang et al.、「EnlightenGAN: Deep Light Enhancement Without Pared Supervision」、IEEE Transactions on Image Processing、vol. 30、pp. 2340-2349、2021、doi: 10.1109/TIP.2021.3051462 。
論文: https://ieeexplore.ieee.org/abstract/document/9334429
コード: https://github.com/VITA-Group/EnlightenGAN [Pytorch] 2. 記事: 低照度画像の明るさを超えて [教師あり学習] [Retinex]
引用: Zhang Y、Guo X、Ma J、他。低照度画像の明るさを超えて[J]。国際コンピューター ビジョン ジャーナル、2021、129(4): 1013-1037。
論文: https://link.springer.com/article/10.1007/s11263-020-01407-x
コード: https://github.com/zhangyhuaee/KinD【Tensorflow】
【2020年】
1、文章： 低照度画像強調のためのゼロ参照ディープカーブ推定【Zero-short Learning】
引用: Guo C、Li C、Guo J、他。低照度画像強調のためのゼロ参照深曲線推定[C]//コンピュータ ビジョンとパターン認識に関する IEEE/CVF 会議の議事録。2020: 1780 ～ 1789 年。
コード: https://github.com/Li-Chongyi/Zero-DCE [Pytorch] 2. 記事: 忠実度から知覚品質へ: 低照度画像強化のための半教師ありアプローチ [半教師あり学習]
引用: Yang W、Wang S、Fang Y、他。忠実度から知覚品質へ: 低照度画像強化のための半教師ありアプローチ[C]//コンピューター ビジョンとパターン認識に関する IEEE/CVF 会議の議事録。2020: 3063-3072。
コード: https://github.com/flyywh/CVPR-2020-Semi-Low-Light [Pytorch] 3. 記事: 忠実度から知覚品質へ: 低光量画像強化のための半教師ありアプローチ [半教師あり学習] ]
引用: Yang W、Wang S、Fang Y、他。忠実度から知覚品質へ: 低照度画像強化のための半教師ありアプローチ[C]//コンピューター ビジョンとパターン認識に関する IEEE/CVF 会議の議事録。2020: 3063-3072。
コード: https://github.com/flyywh/CVPR-2020-Semi-Low-Light【Pytorch】
4. 記事: 軽量 CNN を使用した不均一照明画像の高速強化 [教師あり学習]
引用: Lv F、Liu B、Lu F。軽量 CNN を使用した不均一照明画像の高速強化[C]//第 28 回 ACM 国際マルチメディア会議議事録。2020: 1450-1458。
論文: https://dl.acm.org/doi/abs/10.1145/3394171.3413925
コード:オープンソースではありません [TensorFlow] 5. 記事: 低照度画像強化のためのセマンティック セグメンテーションと Retinex モデルの統合 [Retinex]
引用: Fan M、Wang W、Yang W、他。セマンティック セグメンテーションと Retinex モデルを統合して低照度画像強化を実現[C]//第 28 回 ACM 国際マルチメディア会議議事録。2020: 2317-2325。
論文: https://dl.acm.org/doi/abs/10.1145/3394171.3413757
コード:オープンソースではありません。6. 記事: 分解と強化による低照度画像の復元方法の学習
引用: Xu K、Yang X、ying B、他。分解と拡張による低照度画像の復元方法の学習[C]//コンピューター ビジョンとパターン認識に関する IEEE/CVF 会議の議事録。2020: 2281-2290。
コード:オープンソースではありません [PyTorch]
7、文章：EEMEFN: エッジ強調多重露出融合ネットワークによる低照度画像強調【多重露出融合】
引用: Zhu M、Pan P、Chen W、他。Eemefn: エッジ強化多重露出融合ネットワークによる低照度画像強化[C]//人工知能に関する AAAI 会議の議事録。2020, 34(07): 13106-13113.
論文: https://ojs.aaai.org/index.php/AAAI/article/view/7013
コード:オープンソースではありません [Pytorch] 8. 記事: 低照度画像強化のためのライトニング ネットワーク
引用: Wang LW、Liu ZS、Siu WC、他。低照度画像強化のためのライトニング ネットワーク[J]。画像処理に関する IEEE トランザクション、2020、29: 7984-7996。
論文: https://ieeexplore.ieee.org/abstract/document/9141197
コード:オープンソースではありません [Pytorch] 9. 記事: 低照度画像強化のための輝度を意識したピラミッド ネットワーク
引用: Li J、Li J、Fang F、他。低照度画像強化のための輝度を意識したピラミッド ネットワーク[J]。マルチメディアに関するIEEEトランザクション、2020年。
論文: https://ieeexplore.ieee.org/abstract/document/9186194
コード:未开源【Pytorch】10、文章：中間ドメインマッピングで生成された合成データを使用した低照度ビデオ強化
引用: Triantafyllidou D、Moran S、McDonagh S、他。中間ドメイン マッピングで生成された合成データを使用した低照度ビデオの強化[C]//コンピューター ビジョンに関する欧州会議。スプリンガー、チャム、2020: 103-119。
論文: https://link.springer.com/chapter/10.1007/978-3-030-58601-0_7
コード:オープンソースではありません [Tensorflow] 11. 記事: TBEFN: 低照度画像強化のための 2 分岐露光融合ネットワーク
引用: Lu K、Zhang L. TBEFN: 低照度画像強化のための 2 分岐露光融合ネットワーク [J]。マルチメディアに関するIEEEトランザクション、2020年。
論文: https://ieeexplore.ieee.org/abstract/document/9261119/
コード: https://github.com/lukun199/TBEFN【Tensorflow】12、文章：ロバストな Retinex 分解による露光不足画像のゼロショット復元 【ゼロショート学習】【Retinex】
引用: Zhu A、Zhang L、Shen Y 他。ロバストなレティネックス分解による露出アンダー画像のゼロショット復元[C]//2020 IEEE International Conference on Multimedia and Expo (ICME)。IEEE、2020: 1-6。
論文: https://ieeexplore.ieee.org/abstract/document/9102962/
コード: https://aaaaangel.github.io/RRDNet-Homepage【Pytorch】
**13、文章：DSLR: 低照度画像強化のためのディープスタックラプラシアン復元剤 **
引用: Lim S、Kim W. DSLR: 低照度画像強化のためのディープ スタック ラプラシアン リストア [J]。マルチメディアに関するIEEEトランザクション、2020年。
論文: https://ieeexplore.ieee.org/abstract/document/9264763/
コード: https://github.com/SeokjaeLIM/DSLR-release【Pytorch】
【2019年】
1、文章：Seeing motion in the dark
引用: Chen C、Chen Q、Do MN、他。暗闇での動きを見る[C]//コンピューター ビジョンに関する IEEE/CVF 国際会議の議事録。2019: 3185-3194。
コード: https://github.com/cchen156/Seeing-Motion-in-the-Dark【TensorFlow】2、文章：暗闇の中で動く物体を見ることを学ぶ
引用: Jiang H、Zheng Y. 暗闇の中で動く物体を見る方法を学ぶ[C]//コンピューター ビジョンに関する IEEE/CVF 国際会議の議事録。2019: 7324-7333。
コード: https://github.com/MichaelHYJiang【TensorFlow】3、文章：深照明推定を使用した露出不足写真の補正
引用: Wang R、Zhang Q、Fu CW、他。深照明推定を使用した露出不足の写真の強調[C]//コンピューター ビジョンとパターン認識に関する IEEE/CVF 会議の議事録。2019: 6849-6857。
コード: https://github.com/Jia-Research-Lab/DeepUPE【TensorFlow】4、文章：暗闇を照らす: 実用的な低照度画像エンハンサー 【Retinex】
引用: Zhang Y、Zhang J、Guo X. 闇を焚く: 実用的な低照度画像エンハンサー[C]//第 27 回 ACM 国際マルチメディア会議議事録。2019年：1632年から1640年。
論文: https://dl.acm.org/doi/abs/10.1145/3343031.3350926
コード: https://github.com/zhangyhuaee/KinD【TensorFlow】
5、文章：Progressive retinex: 低照度画像強化のための相互強化照明ノイズ知覚ネットワーク【Retinex】
引用: Wang Y、Cao Y、Zha ZJ、他。Progressive Retinex: 低照度画像強化のための相互強化照明ノイズ認識ネットワーク[C]//第 27 回 ACM 国際マルチメディア会議議事録。2019: 2015 年から 2023 年。
論文: https://dl.acm.org/doi/abs/10.1145/3343031.3350983
コード:オープンソースではありません [カフェ]
6、文章：ディープハイブリッドネットワークによる低照度画像強化
引用: Ren W、Liu S、Ma L、他。ディープハイブリッドネットワークによる低照度画像の強化[J]。画像処理に関する IEEE トランザクション、2019、28(9): 4364-4375。
論文: https://ieeexplore.ieee.org/abstract/document/8692732/
コード:オープンソースではありません [Caffe] 7. 記事: 深層内部学習を使用した逆光画像のゼロショット復元
引用: Zhang L、Zhang L、Liu X、他。深層内部学習を使用した逆光画像のゼロショット復元[C]//第 27 回 ACM 国際マルチメディア会議議事録。2019年：1623年から1631年。
論文: https://dl.acm.org/doi/abs/10.1145/3343031.3351069
コード: https://cslinzhang.github.io/ExCNet/【PyTorch】
【2018年】
1、文章：LightenNet: 弱く照明された画像を強調するための畳み込みニューラル ネットワーク
引用: Li C、Guo J、Porikli F、他。LightenNet: 弱く照明された画像を強調するための畳み込みニューラル ネットワーク[J]。パターン認識レター、2018、104: 15-22。
論文: https://www.sciencedirect.com/science/article/abs/pii/S0167865518300163
コード: https://li-chongyi.github.io/proj_lowlight.html【Caffe & MATLAB】2、文章：低照度強化のための深い retinex 分解 【Retinex】
引用: Wei C、Wang W、Yang W、他。低照度強化のための深いレティネックス分解[J]。arXiv プレプリント arXiv:1808.04560、2018。
論文: https://arxiv.org/abs/1808.04560
コード: https://github.com/weichen582/RetinexNet【TensorFlow】3、文章：MBLLEN: CNN を使用した低照度画像/ビデオ強化
引用: Lv F、Lu F、Wu J、他。MBLLEN: CNN[C]//BMVC を使用した低照度画像/ビデオ強化。2018年：220名。
論文: http://bmvc2018.org/contents/papers/0700.pdf
コード: https://github.com/Lvfeifan/MBLLEN【TensorFlow】4、文章：多重露出画像からの深い単一画像コントラストエンハンサーの学習
引用: Cai J、Gu S、Zhang L。多重露出画像からの深い単一画像コントラスト エンハンサーの学習[J]。画像処理に関する IEEE トランザクション、2018、27(4): 2049-2062。
論文: https://ieeexplore.ieee.org/abstract/document/8259342/
コード: https://github.com/csjcai/SICE【Caffe & MATLAB】5、文章：暗闇の中で見ることを学ぶ
Cite as: Chen C, Chen Q, Xu J, et al. Learning to see in the dark[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 3291-3300.
Paper: https://openaccess.thecvf.com/content_cvpr_2018/html/Chen_Learning_to_See_CVPR_2018_paper.html
Code: https://github.com/cchen156/Learning-to-See-in-the-Dark【TensorFlow】
6、文章：DeepExposure: Learning to expose photos with asynchronously reinforced adversarial learning
Cite as: Yu R, Liu W, Zhang Y, et al. Deepexposure: Learning to expose photos with asynchronously reinforced adversarial learning[C]//Proceedings of the 32nd International Conference on Neural Information Processing Systems. 2018: 2153-2163.
Paper: https://dl.acm.org/doi/abs/10.5555/3326943.3327142
Code: 未开源【TensorFlow】
【2017】
1、文章：LLNet: A deep autoencoder approach to natural low-light image enhancement
Cite as: Lore K G, Akintayo A, Sarkar S. LLNet: A deep autoencoder approach to natural low-light image enhancement[J]. Pattern Recognition, 2017, 61: 650-662.
Paper: https://www.sciencedirect.com/science/article/abs/pii/S003132031630125X
Code: https://github.com/kglore/llnet_color【Theano】
===================== 分 ========== 割 ========== 线 =====================
由于笔者水平有限，某些最新的论文未被收集整理，欢迎大家讨论交流！
如有疑问可添加笔者扣扣：[email protected]； 备注 姓名+学校