“归一化与重新对齐”：跨多个曝光级别的可控图像增强技术

《IEEE Journal of Selected Topics in Signal Processing》：Normalize-and-Realign: Controllable Image Enhancement Across Multiple Exposure Levels

多曝光图像增强方法通过参考图像引导的亮度与颜色可控增强网络实现定制化增强。该网络采用归一化与重排范式，通过双子网结构：曝光归一子网处理输入图像，参考引导重排子网依据不同参考图生成多版本增强图像，突破传统单目标映射限制，支持同一输入生成多种符合用户需求（如特定亮度/颜色）的增强结果。实验表明该方法在质量评估指标上达到最优，并成功生成训练数据，同时验证了视频增强潜力。

　　

摘要：

图像增强的目标是提高图像的视觉质量。这是一个病态问题，因为从给定图像中可以得到多个增强版本。然而，现有的图像增强方法对于每个低质量输入都会产生一个确定性的结果，忽略了不同的偏好和要求。为了解决这个问题，我们提出了一种基于参考的图像增强网络（RIENet），该网络采用“归一化-重新对齐”范式来实现多曝光图像增强，并能够精确控制亮度和颜色。具体来说，RIENet包括两个子网络：一个用于归一化输入的曝光归一化子网络，以及一个根据参考图像重新对齐归一化图像的参考引导图像重新对齐子网络。通过分配不同的参考图像，我们的方法能够生成具有精确亮度和颜色控制的定制增强图像，这些图像忠实于参考图像。广泛的实验表明，所提出的方法在定性和定量结果方面都达到了最先进水平，并且能够为其他低级和高级视觉任务生成训练数据。此外，还展示了RIENet在视频增强方面的潜力。据我们所知，RIENet是首次尝试使用参考图像作为指导，以实现跨多个曝光级别的可控图像增强。

引言

相机设备的广泛使用使得随时捕捉不同场景的照片成为可能[1]。然而，由于不利的照明条件或错误的相机设置，捕获的图像可能会过度曝光或曝光不足。具有曝光错误的图像不仅视觉效果不佳，还会妨碍人类观察者和机器视觉模型提取有价值的信息。为此，提出了各种方法[2]、[3]、[4]、[5]、[6]、[7]、[8]、[9]、[10]、[11]来提高曝光不良图像的视觉质量。尽管这些方法主要集中在低光图像增强（LLIE）上，并且无法同时处理多个曝光级别的图像[12]。尽管有一些方法试图解决多曝光校正（EC）的问题[12]、[13]、[14]、[15]、[16]，但它们通常假设每个输入图像只有一个确定的真实值（GT），并学习从过度曝光或曝光不足的图像到相应GT的一一映射。然而，实际上，一张曝光不良的图像可能对应多个正确曝光的版本。因此，具有不同偏好的用户可能需要对同一输入图像生成具有特定特征（亮度、颜色等）的不同增强结果，这超出了现有方法的能力。因此，提出一种可以根据不同要求从单张图像生成定制增强结果的可控图像增强方法是非常有价值的。