ReF-LLE-通过参考引导的深度强化学习实现个性化低光照增强-计算机科学-深度强化学习.pdf

ReF-LLE：通过参考引导的深度强化学习实现

个性化低光照增强

MingZhao,PingpingLiu,TongshunZhang,ZheZhang

CollegeofSoftware,JilinUniversity,Changchun,130012,China

CollegeofComputerScienceandTechnology,JilinUniversity,Changchun,130012,China

mingzhao23@mails.jlu.edu.cn,liupp@jlu.edu.cn,tszhang23@mails.jlu.edu.cn,zhezhang@mails.jlu.edu.cn

摘要—低光图像增强面临两个主要挑战：1)低光图像在不

同条件下存在显著变化，2)增强程度受到主观偏好和用户意图

的影响。为了解决这些问题，我们提出了ReF-LLE，这是一种

本新颖的个性化低光图像增强方法，该方法在傅里叶频域中运行，

译并结合了深度强化学习。ReF-LLE是第一个将深度强化学习整

合到这一领域的技术。在训练过程中，引入了一种零参考图像评

中估策略来评分增强后的图像，提供指导模型有效处理不同程度低

1光照条件的奖励信号。在推理阶段，ReF-LLE采用个性化的自

v适应迭代策略，该策略由傅里叶域中的零频率成分引导，它代表图1.个性化结果由不同的参考图像引导。(a)输入的低光照图像位于真实值

6

1了整体照明水平。这一策略使模型能够根据用户提供的参考图像之上；(b)由(c)中呈现的参考图像引导的个性化增强结果；(d)比较参考图

像（红色）和增强结果（蓝色）的亮度直方图。

2的照明分布自适应地调整低光图像，确保个性化增强结果。广泛

2的基准数据集实验表明，ReF-LLE在个性化低光图像增强方面此，适应复杂的光照条件并生成符合用户偏好的亮度变

2

.超越了最先进的方法，实现了优越的感知质量和可适性。化成为了本文的重点。

6

0IndexTerms—低光照增强，零样本学习，强化学习尽管几种基于强化学习的方法（例如，[12],[13]）

5

2尝试通过提供多个选项来个性化图像输出，但这种方法

:I.介绍

v可能很麻烦。具体来说，这些方法通过改变迭代步骤的

i手机的广泛使用降低了摄影的门槛。然而，在低光数量生成多个输出，这可能会增加用户的选则负担。如

x

r条件下，图像质量仍然是计算机视觉任务中的一个重要图1所示，LLIE方法应该更具个性化，能够适应性地

a

挑战。这导致了对低光图像增强（LLIE）方法[1]–[5]的增强低光图像以符合用户偏好的光照水平。

大量研究。在这些方法中，基于Retinex的方法[6]–[8]利用在傅里叶频率域解决低光照增强任务的优势

通过将其建模为来处理低光图像增强，旨在[9]–[11],[14]，同时克服上述限制，我们提出了一种名为

恢复照明以增强图像。其他技术[9]–[11]利用傅里叶ReF-LLE的新方法。该方法将深度强化学习与傅里叶

频率信息，注意到傅里叶空间中的亮度主要体现在振幅域结合，以应对复杂光照条件带来的挑战。此外，在推

分量中。它们通过放大这一分量来增强图像的亮度，并理阶段，ReF-LLE采用零频率分量先验作为指导，使

将这种方法整合到神经网络中，取得了令人印象深刻的低光增强过程能够进行自适应和个性化的迭代。

结果。在傅里叶空间中，LLIE可以通过增强幅度分量

然而，大多数现