Joint Self-Supervised Enhancement and Denoising of Low-Light Images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Images taken under low-light conditions often suffer from multiple degradations such as low visibility and unknown noise. Low-light image enhancement is an important task in the field of computer vision. In order to avoid the limited number of samples in paired datasets, several self-supervised enhancement methods have been developed. However, due to the designed illumination gradient prior, most self-supervised enhancement methods based on Retinex cannot effectively constrain the illumination or suppress the amplified real noise. To solve this problem, this paper explores a joint self-supervised enhancement and denoising method for low-light image. Initially, we proposed a new regularization term, named TV-Huber, and developed an adaptive illumination estimation network (AIE-Net) to explore the intrinsic relationship between structure and texture in the illumination map. Next, the camera response model and the learned illumination are then used to enhance the contrast of low-light images and mitigate color shifts. Finally, the learned illumination maps are transformed into illumination masks. Under the assumption of independent and zero-mean noise, selective feature injection is performed on the shallow features extracted by the blind-spot network (BSN) to reduce information loss while removing unknown real noise in the dark area. Extensive experiments show that the proposed method has good generalization ability on five challenging low-light image datasets and outperforms other methods in terms of visual quality and quantitative comparison.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle