2022CVPR_Toward Fast, Flexible, and Robust Low-Light Image Enhancement（SCI_main）

1. motivation

（1）低光增强不能处理复杂的场景

（2）需要耗费大量的计算

2.contribution

（1）节省计算

（2）发明了自监督的SCI模块（SCI的核心是引入额外的网络模块（自校准照明）来辅助训练，而不是用于测试）

大佬链接：(11条消息) 低照度增强--论文阅读【《Toward Fast, Flexible, and Robust Low-Light Image Enhancement》】_Vaeeeeeee的博客-CSDN博客

3. Network

 

 整个结构分为两部分：Self-Calibrated Module（自校正模块）和 Illumination Eastimation（照明估计模块），其中的自校正模块是一个辅助作用模块，用来减轻级联模式的计算负担。

其中

光照估计：

 

ut：第t阶段的残差------计算残差的方式可以极大的减少计算量和保持稳定，尤其对于曝光控制会有很好的能力。
（感觉就是ResNet思想，在这里的作用就是通过级联网络的形式每个阶段学习一点光照量，最终把整个的光照量学习到。）
Xt：第t阶段的光照
Hθ：光照估计网络，并且Hθ与阶段数无关，即在每一阶段光照估计网络均保持结构与参数共享状态

Self-Calibrated Module：作用使每个阶段的结果收敛到同一状态

 

 4、损失

保真度损失Lf和平滑损失Ls；α和β是两个平衡参数：

 （1）Lf保真度损失（为了是保持像素的一致性）：用的是nn.MSELoss()

目的是默认用于计算两个输入对应元素差值平方和的均值

公式表示：  T代表的是校正T阶段的数量

 别人解释：Lf用于保证估计照度和每个阶段输入之间的像素级一致性；T为总级数。
xt是t阶段的光照量，括号内部分是经过自校正模块后得到的辅助量v(t-1),自校准模块的作用是想使每个阶段的结果趋于一致，那么就需要保证这两个量在每个阶段应该是非常近似的才行。

括号内部表示的就是          

 

（2）Ls：

 

 

对于标题的体现

1、体现fast：

（1）训练时使用两个网络：：CalibrateNetwork+EnhanceNetwork

增强网络只使用了3个ConV2d（kernel_size = 3*3）分离光照i和反射r, 校准网络使用了4个ConV2d（kernel_size = 3*3）

（2）测试时仅使用增强网络：EnhanceNetwork

在网络中还使用了学习残差降低了计算难度，保证了性能，也提高了稳定性。所以运算时间大大提升。

2、体现Flexible：

自校准网络：CalibrateNetwork适用于RUAS（cvpr’21）等其他低光增强网络，论文中验证了在RUAS中加入CalibrateNetwork后的视觉效果与性能指标

 3、体现Robust：

除了在低光图像增强数据集上进行验证之外，在夜脸检测与夜间语义分割数据集上进行测试。