RetinexDIP: A Unified Deep Framework for Low-Light Image Enhancement 论文阅读笔记

这是TCSVT2022的一篇暗图增强的文章，用了DIP这个方法

• 这篇也是用了DIP的，有时间一定要好好看看DIP这个领域
• 网络结构如下图所示，用了两个encoder-decoder网络来生成Retinex里面的I和R分量。前面的噪声输入表示网络用的是DIP的方法进行训练，即无需图像数据集进行训练。 生成R的DIP2更深，因为R具有更多细节，而DIP1更浅。
• 
• 损失函数如下所示：由四项构成，第一项是重建损失；第二项是针对$I$的损失，监督为图像在通道维度上做max得到的二阶矩阵；第三项为$R$的TV Loss，是为了抑制噪声；第四项是$I$的平滑损失，但加了个权重，权重是基于预测的R进行计算的。后续实验发现，其实这里的$G_R(z_2)$，也可以改成$I_0$。

• 获得分解的分量后，用Gamma校正增强$I$分量得到$\hat{I}=I^{\gamma }$（实验中将$\gamma$设为0.5），然后用
• 
• 获得增强结果（这是其中一种基于Retinex理论的增强方式，另一种是$R$分量乘以增强后的$I$分量）
• 文章与其它方法比较了在一些数据就上的NIQE等三个指标：
• 
•