Deep Retinex Decomposition for Low-Light Enhancement 论文阅读报道

Retinex 理论

• 理论基础
  • 真实世界是无颜色的，我们所感知的颜色是光与物质的相互作用的结果。我们见到的水是无色的，但是水膜（肥皂膜）却是显现五彩缤纷，那是薄膜表面光干涉的结果；
  • 每一颜色区域由给定波长的红、绿、蓝三原色构成的；
  • 三原色决定了每个单位区域的颜色。
• 内容
  • Retinex 理论的基本内容是物体的颜色是由物体对长波（红）、中波（绿）和短波（蓝）光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均性的影响，具有一致性，即Retinex理论是以色感一致性（颜色恒常性）为基础的。

Retinex-Net for Low-Light Enhancement

网络结构

网络可以分为3个部分， decomposition, adjustment and reconstruction

• Decomposition: 将图片分解为reflectance和illumination两部分。
  • 输入：正常亮度图${\mathbf{S}}_{normal}$和低光照图${\mathbf{S}}_{low}$。
  • Decom-Net：每次分解两种不同亮度的图片，权重共享，其分解的2个reflectance应该一样。
• Ajustment：去噪和亮度增强。
  • Denoising Operation：去除低光图像的大量噪声。
  • Ehance-Net：调整低光图像照射分量（illumination）的亮度。
• Reconstruction：重构低光图像
  • 根据 $\mathbf{S}=\mathbf{R}\circ \mathbf{I}$

损失函数

损失分为两部分：Decom-Net 以及 Enhance-Net 两部分。

• Decom-Net:
  l o s s ( D e c o m − N e t ) = L r e c o n + λ i r L i r + λ i s L i s (1) loss_{(Decom-Net)}=L_{recon}+\lambda_{ir}L_{ir}+\lambda_{is}L_{is}\tag{1} loss(Decom−Net)​=Lrecon​+λir​L