From Fidelity to Perceptual Quality: A Semi-Supervised Approach for Low-Light Im

CVPR 2020

简介

文章提出了一个深度递归波段网络（deep recursive band network，DRBN），在递归带（DRBN）学习中，它通过4次迭代网络获得不同尺度的增强结果，通过计算这些增强结果的差值。在得到差值之后，在其波段重组阶段，文章将其进行融合以得到最终的增强结果。在网络最后，还添加了鉴别器以提高图像的真实性。文章表示，该网络能够使增强结果具有良好的细节，以及真实和高质量的特性。

Model

观察左上角的网络，网络输入为上一次的增强结果和原始的低光图像，其输出了3张尺寸不同的增强结果。右上角的网络也是一样的。

除了传输了原始低光图像和上一次增强结果，从上一轮增强网络传入的信息还有 $f_{s_1}^{t-1}$ 、 $f_{s_2}^{t-1}$ 、 $f_{s_3}^{t-1}$ ，分别为解码器网络得到的不同尺度的特征图。

深度递归波段模块中的损失函数仅使用了SSIM，对不同尺寸的增强结果进行约束。

在波段重组重组阶段，文章通过深度递归波段模块中最后一轮的增强结果，得到了 $\Delta \hat{x}_{s_1}^n$ 、 $\Delta \hat{x}_{s_1}^n$ 、 $\Delta \hat{x}_{s_1}^n$ 。其中 $\Delta \hat{x}_{s_1}^n=\hat{x}^{T}_{s_1}$ ，即最小的增强图像。其余的两幅图为不同尺寸增强结果之差（上采样后相减），得到了细节图。