Low-Light Image Enhancement via Edge-Enhanced

Multi-Exposure Fusion Network阅读札记

论文发表于的AAAI Technical Track : Vision。

Abstract

本文目标：

恢复弱光图像细节，减少噪声和颜色偏差，保持锐利的边缘。

现存问题：

（1）无法从极暗/亮的区域恢复曝光良好的图像细节。

（2）若没有良好曝光的图像信息，现有的模型可能会由于弱光图像和gtgtgt之间的颜色偏差而遭受颜色失真。

（3）在弱光图像中，当物体边缘不清晰时，像素级losslossloss会使边缘模糊，破坏图像细节。

本文提出： 边缘增强多曝光融合网络（EEMEFN）

第一阶段：采用多重曝光融合（MEF）模块来解决高对比度和色偏问题。

第二阶段：引入一个边缘增强（EE）模块，在边缘信息的帮助下锐化initial image。

贡献：

（1）提出了一种新的具有融合块的多曝光融合模型，与不同光照条件的生成图像相结合，从而解决高对比度和颜色偏差问题。

（2）引入一个边缘增强模块来增强具有锐利边缘和精细结构的图像。

Method

算法框架图

EEMEFN包括两个阶段：

（1）多曝光融合——首先在不同的光照条件下生成多幅图像，然后将图像融合成一幅高质量initial image。

（2）边缘增强——从iitial image获得边缘映射，并结合边缘信息生成final image。

1、第一阶段：多曝光融合

多曝光融合（MEF）模块包括两个主要步骤：生成和融合。

（1）生成——将raw image在不同的光照条件下生成一组多曝光图像。

（2）融合——将生成图像的曝光良好区域融合到一个initial image中。

生成

给定一张raw image Ilow∈R(H×W×1)I_{low}∈R^{(H×W×1)}Ilow​∈R(H×W×1)和一组曝光率k1,k2,…,kN{k_1,k_2,…,k_N}k1​,k2​,…,kN​，生成一组多曝光图像I=I1,I2,…,INI={I_1,I_2,…,I_N}I=I1​,I2​,…,IN​。第iii个图像定义为：

Clip(x)Clip(x)Clip(x)：Clip(x)=min⁡(x,1)Clip(x) = min⁡(x,1)Clip(x)=min⁡(x,1)，如果像素值超过最大值1，则进行像素剪裁。

融合

MEF模块将生成的一组多曝光图像I=I1,I2,…,INI={I_1,I_2,…,I_N}I=I1​,I2​,…,IN​的曝光良好区域进行融合，以获得initial image InormalI_{normal}Inormal​：

具体步骤如下：

第一步：每个图像由具有相同架构的U-net分支处理（在U-net中添加了跳跃连接，以帮助在不同尺度下重建细节）。

第二步：融合模块将不同分支获得的图像特征结合起来，以互补的方式充分利用有价值的信息（如上图所示）。融合块采用排列不变技术[1]构建，在特征之间进行更多聚合操作。因此，MEF模块可以从黑暗区域恢复精确的图像细节，并使颜色分布更接近地面真相。每个融合块从NNN个分支中提取NNN个图像特征f1,f2,…,fN∈R(c×h×w)f_1,f_2 ,…,f_N∈R^{(c×h×w)}f1​,f2​,…,fN​∈R(c×h×w)作为输入，并执行最大和平均运算以提取有价值的信息。

第三步：将特征fmaxf_{max}fmax​和favgf_{avg}favg​转换为输入特征空间，并将它们重新输入到每个分支。

[⋅,⋅][·,·][⋅,⋅]：串联操作

fff：输出特征

WWW：学习的权重矩阵。

第四步：将所有分支的最后一个特征连接在一起，并输入1×11×11×1 的Conv层，通过联合学习所有分支来产生所需的输出。

⭐损失函数定义为MEF模块输出InormalI_{normal}Inormal​与gtgtgt之间的l1l1l1损失：

2、第二阶段：边缘增强

边缘增强（EE）模块包含两个主要步骤：检测和增强。

（1）检测——从initial image生成边缘映射。

（2）增强——利用边缘信息，生成颜色一致的更平滑的目标表面，并恢复丰富的纹理和锐利的边缘。

检测

使用边缘检测网络[2]来预测InormalI_{normal}Inormal​的边缘E∈R(H×W×1)E∈R^{(H×W×1)}E∈R(H×W×1)，E=Detection(Inormal)E=Detection(I_{normal})E=Detection(Inormal​)，再利用边缘信息指导高质量图像的重构。边缘检测网络由五个阶段组成，每个阶段利用卷积层的所有激活函数来执行像素级预测（E1,E2,E3,E4,E5）（E_1,E_2,E_3,E_4,E_5）（E1​,E2​,E3​,E4​,E5​）。最后，采用融合层对各个阶段的CNN特征进行仔细的融合。边缘检测网络可以获得精确的边缘图EEE。

使用两个类平衡权ααα和βββ来抵消边缘/非边缘像素的分布的严重不平衡。预测的边缘图EiE_iEi​和地面真值Egt=(ej,j=1,…,∣Egt∣),ej=0,1E_{gt}=(e_j,j=1,…,|E_{gt} |),e_j={0,1}Egt​=(ej​,j=1,…,∣Egt​∣),ej​=0,1之间的边缘损失被定义为相对于像素标签的加权交叉熵损失：

∣Egt+∣,∣Egt−∣|E_{gt}^+ |,|E_{gt}^- |∣Egt+​∣,∣Egt−​∣：边缘和非边缘EgtE_{gt}Egt​标签集的大小

ej=1e_j=1ej​=1：像素jjj处的边缘点

Pr⁡(ej=1∣i)Pr⁡(e_j=1|i)Pr⁡(ej​=1∣i)：阶段iii处像素jjj的预测值。

通过聚合不同阶段和融合层的损失函数计算损失函数：

增强

采用U-Net架构，以多曝光图像I=I1,I2,...,INI = {I_1,I_2,...,I_N }I=I1​,I2​,...,IN​、initial image InormalI_{normal}Inormal​和边缘图EEE作为输入，将这些图像融合生成最终的增强图像Inormal+I_{normal}^+Inormal+​。

损失函数定义为EE模块输出Inormal+I_{normal}^+Inormal+​与gtgtgt之间的l1l1l1损失：

Experiment

数据集：See-in-the-Dark数据集由两个图像集组成（Sony集和Fuji集）。

1、定量评估

2、定性评估

References

[1] Aittala M , Durand F . Burst Image Deblurring Using Permutation Invariant Convolutional Neural Networks[J]. Springer, Cham, .

[2] Liu Y, Cheng M M, Hu X, et al. Richer convolutional features for edge detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. : 3000-3009.