第一次出现的利用无监督的GAN！对低光图像进行光强变换

生成对抗网络(GAN) 21/07/2020

三个要点
✔️ 第一个引入无监督学习将低光图像转换为正常光图像的研究。
✔️ EnlightenGAN可以从各种领域提亮现实世界的弱光图像。
✔️ Attention method普遍提高视觉质量。

EnlightenGAN: Deep Light Enhancement without Paired Supervision
written by Yifan Jiang, Xinyu Gong,Ding Liu, Yu Cheng, Chen Fang, Xiaohui Shen, Jianchao Yang, Pan Zhou, Zhangyang Wang
(Submitted on 17 Jun 2019)
Comments: Published by arXiv
Subjects: Computer Vision and Pattern Recognition (cs.CV); Image and Video Processing (eess.IV)

Code

背景

在黑暗的地方拍摄的图像会有低对比度、低能见度和高ISO噪声。已经提出了一些算法来缓解退化，包括直方图和基于认知的算法。使用深度学习的最先进的图像恢复和增强方法，如超级分辨率，严重依赖已经合成或捕获的损坏的干净图像对进行训练。但是，要同时拍摄同一视觉场景的弱光和正常光线的照片是非常困难的。

研究要点

启迪GAN叫做率先改善低光图像质量我们提出了一种无监督的生成式对抗网络。这种方法是基于它可以在没有低光/正常光图像对的情况下进行训练，但已被证明在各种测试图像上具有很好的泛化能力。无监督学习图像到图像的转换采用生成性对抗网络（GANs）来构建低光和普通光图像空间的无对映射，而不依赖于精确配对的图像。这使你从仅使用合成数据或在受控环境下捕获的有限配对数据进行训练中解放出来。得益于无监督学习的设置，EnlightenGAN可以适应各种领域的低光图像增亮（图1）。