【论文阅读】Zero-Reference Low-Light Enhancement via Physical Quadruple Priors（CVPR2024）

概要

任务领域：低光增强；零样本/无参考；RGB域
针对问题：零参考是成功的，但是缺少光照概念，依赖手工设置。
解决方法：基于Kubelka-Munk理论，设计物理四先验作为低光和正常光的不变要素，再利用生成模型将先验转为图像。
主要创新：物理四先验的设计；先验到图像的映射。
最终表现：优于大多数无监督方法，显著缩小与有监督方法的差距，在不同数据集中不错的泛化能力。

正文

（1）Kubelka-Munk理论

\[E(\lambda,x)=e(\lambda,x)((1-i(x))^2R_\infty(\lambda,x)+i(x)) \]

其中，e表示光源的光谱，i表示镜面反射，$ R_\infty $表示材料反射率。

特例：当物品无光泽（matte）时，i≈0，那么上式退化为

\[E(\lambda,x)=e(\lambda,x)R_\infty(\lambda,x) \]
也就是我们常见的Retinex理论。

（2）思路和推导

Retinex分解具有挑战性，所以改成从输入图像中提取光照不变特征，之后再生成光照相关信息来重建图像。

个人拙见

Retinex理论是一种理想的假设，分解本身是高度不适定的（highly ill-posed），所以挺依赖人为设计的反射和照度。
分解中丢掉了一些信息及噪声，分解之后还存在噪声变化，噪声残余等等杂七杂八的问题。

如图所示，在训练时，可以在正常光下进行，毕竟需要的是光照不相关信息。
为了得到光照不变量，得将Kubelka-Munk中的i和e消除掉！

HCWO
一些说明

\[E^\lambda=\frac{\partial E(\lambda, x)}{\partial \lambda}, R_\infty^\lambda=\frac{\partial R_\infty(\lambda, x)}{\partial \lambda}, E^{\lambda\lambda}=\frac{\partial^2 E(\lambda, x)}{\partial \lambda^2}, R_\infty^{\lambda\lambda}=\frac{\partial^2 R_\infty(\lambda, x)}{\partial \lambda^2} \]