低光照图像和视频增强：全面综述与展望

ArXiv

标题

低光照图像和视频增强：全面综述与展望
郑申, 马一凌, 潘金倩, 卢长杰, Gaurav Gupta

更新

2024/1/1: 我们更新了arXiv版本,进行了重要修订。
2023/4/16: 增强后的图像和评价指标脚本已上传。
2023/3/24: 夜间温州数据集已上传。
2023/2/8: arXiv已更新。当前版本包含21页、9张表格和25张图片!

亮点

对低光照图像和视频增强(LLIE)进行全面综述。
提出SICE_Grad和SICE_Mix图像数据集,用于表示复杂的混合过曝/欠曝场景。
引入夜间温州视频数据集,包含快速移动的航拍场景和具有不同照明和退化的街景。

时间线

分类法

类别

传统学习	深度学习

我们的数据集

SICE_Grad和SICE_Mix [下载]	夜间温州 [下载]

模型 (按时间顺序排列)

PIE (TIP 2015) [论文] [Python]
- 一种同时估计照明和反射率的图像增强概率方法
LIME (TIP 2016) [论文] [Python]
- LIME：基于照明图估计的低光照图像增强
LLNet (PR 2017) [论文] [Theano]
- LLNet：一种自然低光照图像增强的深度自编码器方法
MBLLEN (BMVC 2017) [论文] [Keras]
- MBLLEN：使用CNN的低光照图像/视频增强
LightenNet (PRL 2018) [论文] [MATLAB]
- LightenNet：弱光照图像增强的卷积神经网络
Retinex-Net (BMVC 2018) [论文] [TensorFlow]
- 用于低光照增强的深度Retinex分解
SID (CVPR 2018) [论文] [TensorFlow]
- 学习在黑暗中看见
DeepUPE (CVPR 2019) [论文] [TensorFlow]
- 使用深度照明估计的欠曝光照片增强
EEMEFN (AAAI 2019) [论文] [TensorFlow]
- EEMEFN：基于边缘增强多重曝光融合网络的低光照图像增强
ExCNet (ACMMM 2019) [论文] [Tensorflow]
- 使用深度内部学习的零样本背光图像恢复
KinD（ACMMM 2019）[论文] [TensorFlow]
- 点亮黑暗：一种实用的低光图像增强器
Zero-DCE（CVPR 2020）[论文] [PyTorch]
- 零参考深度曲线估计用于低光图像增强
DRBN（CVPR 2020）[论文] [PyTorch]
- 从保真度到感知质量：低光图像增强的半监督方法
Xu等人（CVPR 2020）[论文] [PyTorch]
- 通过分解和增强学习恢复低光图像
DLN（TIP 2020）[论文] [PyTorch]
- 用于低光图像增强的照明网络
DeepLPF（CVPR 2020）[论文] [PyTorch]
- 用于图像增强的深度局部参数滤波器
EnlightenGAN（TIP 2021）[论文] [PyTorch]
- EnlightenGAN：无需配对监督的深度光照增强
KinD++（IJCV 2021）[论文] [TensorFlow]
- 超越低光图像的亮化
Zero-DCE++（TPAMI 2021）[论文] [PyTorch]
- 通过零参考深度曲线估计学习增强低光图像
Zhang等人（CVPR 2021）[论文] [PyTorch]
- 从单一图像学习低光视频增强的时间一致性
RUAS（CVPR 2021）[论文] [PyTorch]
- 基于视网膜启发的展开与协作先验架构搜索的低光图像增强
UTVNet（ICCV 2021）[论文] [PyTorch]
- UTVNet：用于低光图像增强的自适应展开全变分网络
SDSD（ICCV 2021）[论文] [PyTorch]
- 在黑暗中看动态场景：一个具有机械对准的高质量视频数据集
RetinexDIP（TCSVT 2021）[论文] [PyTorch]
- RetinexDIP：用于低光图像增强的统一深度框架
SGZ（WACV 2022）[论文] [PyTorch]
- 用于低光图像/视频增强的语义引导零样本学习
LLFlow（AAAI 2022）[论文] [PyTorch]
- 基于归一化流的低光图像增强
SNR-Aware（CVPR 2022）[论文] [PyTorch]
- 信噪比感知的低光图像增强
SCI（CVPR 2022）[论文] [PyTorch]
- 面向快速、灵活和鲁棒的低光图像增强
URetinex-Net（CVPR 2022）[论文] [PyTorch]
- URetinex-Net：基于Retinex的深度展开网络用于低光图像增强
Dong等人（CVPR 2022）[论文] [PyTorch]
- 放弃拜耳滤波器以在黑暗中看清
MAXIM（CVPR 2022）[论文] [Jax]
- MAXIM：用于图像处理的多轴MLP
BIPNet（CVPR 2022）[论文] [PyTorch]
- 连拍图像恢复与增强
LCDPNet（ECCV 2022）[论文] [PyTorch]
- 局部颜色分布先验用于图像增强
IAT（BMVC 2022）[论文] [PyTorch]
- 你只需要90K参数来适应光线：用于图像增强和曝光校正的轻量级Transformer

基准数据集

NPE、LIME、MEF、DICM、VV [链接]
LOL [链接]
VE-LOL [链接]
ACDC [链接]
DCS [链接]
DarkFace [链接]
ExDark [链接]
SICE [链接]

增强后的图像

所有基线方法的增强图像在这里

评价指标

全参考

无参考

主观评价

用户研究

效率

综述

IEEE [论文]
- 基于实验的低光图像增强方法综述
IJCV 2021 [论文]
- 低光图像增强及其他的基准评测
TPAMI 2021 [论文]
- 基于深度学习的低光图像和视频增强：综述

BibTeX

如果您觉得本仓库有帮助，请引用我们的论文。

@article{zheng2022low,
  title={Low-Light Image and Video Enhancement: A Comprehensive Survey and Beyond},
  author={Zheng, Shen and Ma, Yiling and Pan, Jinqian and Lu, Changjie and Gupta, Gaurav},
  journal={arXiv preprint arXiv:2212.10772},
  year={2022}
}