通过无监督去模糊技术，一次性实现图像的单个/联合去模糊处理以及低光照条件下的图像增强

《Science China-Information Sciences》：Individual/joint deblurring and low-light image enhancement in one go via unsupervised deblurring paradigm

低光图像增强与去模糊的联合任务处理提出无监督范式，通过双分支架构（变换与自回归分支）实现无配对数据训练，支持多退化场景，实验验证有效性和泛化性。

　　

摘要

图像恢复与增强，例如图像去模糊、去雨渍以及低光照图像增强（LLIE），旨在根据受损或低质量的图像观测结果提升视觉质量。基于深度学习的方法在这些单独的任务上取得了显著成果，但要将它们结合起来处理仍然具有挑战性。尽管已经有一些尝试实现联合任务处理，但这不可避免地会导致更高的数据成本和训练成本。此外，这些尝试受到数据分布的严格限制，即推理数据的分布需要尽可能接近训练数据，否则数据无法用于推理。在本文中，我们以LLIE和去模糊任务为例，试图寻找一种新的联合任务处理解决方案。具体而言，我们采用了一种创新的方法来同时处理去模糊和低光照图像增强问题，即通过无监督去模糊范式（DEvUDP）一次性完成这两个任务，该方法结合了噪声自回归机制，从而避免了前述尝试的局限性。更具体地说，我们设计了一种新的架构，该架构包含转换分支和自回归分支，仅接受未配对的模糊-清晰数据作为输入来训练模型；这样一来，预训练模型可以广泛应用于LLIE、去模糊以及混合退化处理场景。此外，我们可以通过配置不同的架构组件来突出模型的感知性能或失真性能。广泛的实验表明，该方法在各种广泛使用的数据集上都具有优越性。