联合物理模型和先验的无监督低照度图像增强

摘要

监督学习的训练和增强效果依赖于配对的数据集，但多数情况下使用的是合成数据集，导致在迁移到真实图像时恢复效果不佳，泛化能力有限。针对上述问题，本文提出了一种结合物理模型和多重先验知识的无监督低照度图像增强方法。该方法首先利用合成数据集对网络模型进行有监督的预训练；随后，基于大气散射模型理论从输入图像中估计其中参数；最后，计算多重物理先验和神经网络估计的参数与增强图像之间的损失，端到端的训练网络模型，并更新网络参数。实验结果表明：与现有的主流算法相比，该算法可有效提高图像照度和对比，保持图像自然性，并具有一定的泛化能力。

关键词

图像处理 / 低照度图像增强 / 无监督学习 / 物理模型 / 先验知识