本文介绍了一项由哈尔滨工程大学、西安电子科技大学和武汉数字工程研究所的研究团队共同完成的研究，题为《zero-ig: zero-shot illumination-guided joint denoising and adaptive enhancement for low-light images》。该研究提出了一种新颖的零样本方法，用于联合去噪和增强现实世界中的低光图像。该论文发表在计算机视觉领域的顶级会议CVPR上，并提供了开源代码。

研究背景与动机

低光图像通常具有低信噪比（SNR）和曝光不足的区域，这会导致图像信息不足，影响计算机视觉任务的性能。传统的低光图像增强（LLIE）方法，如直方图均衡化和伽马校正，虽然能够提升图像亮度，但往往无法有效去除噪声。近年来，基于深度学习的LLIE方法取得了显著进展，但这些方法通常依赖于精心选择的训练数据，且在实际应用中表现不佳，尤其是在处理不同设备拍摄的低光图像时。

为了解决这些问题，本文提出了一种基于Retinex理论的深度学习方法——zero-ig。该方法通过光照引导，联合去噪和增强低光图像，且不需要任何训练数据或噪声分布的先验知识。zero-ig的核心思想是利用低光图像的固有信息，通过光照约束实现高质量的图像增强和去噪。

研究方法与流程

zero-ig方法包括三个主要步骤：低光图像去噪、光照估计和反射去噪。具体流程如下：

1. 低光图像去噪（LD-net）：首先，从原始低光图像中提取下采样图像对，并通过对称损失函数训练去噪网络。这一步骤旨在初步减少噪声，为后续的光照估计提供更干净的图像。

2. 光照估计（IE-net）：利用去噪后的低光图像估计光照。光照的平滑性使得即使存在轻微的估计误差，也能通过光的连续性进行补偿。通过约束光照的亮度和像素强度，实现像素级的自适应增强，避免欠增强和局部过曝光。

3. 反射去噪（RD-net）：将估计的光照与反射图像拼接，并通过去噪网络去除噪声。这一步骤的关键在于保持光照的一致性，从而在不改变噪声特性的情况下，提供足够的图像信息进行去噪。

实验结果与贡献

实验表明，zero-ig在多个公开数据集上均优于现有的最先进方法。特别是在处理具有不均匀亮度的低光图像时，zero-ig能够有效增强暗部区域，同时避免亮部区域的过曝光。此外，zero-ig还创建了一个新的真实低光图像数据集VILNC，进一步验证了其在实际应用中的有效性。

本文的主要贡献包括： - 提出了一种新颖的零样本方法，联合去噪和增强低光图像，无需训练数据或噪声分布的先验知识。 - 通过光照引导，实现了像素级的自适应增强，避免了欠增强和过曝光问题。 - 利用光照辅助去噪，通过拼接反射和光照，有效去除了原始低光图像中的噪声。 - 创建了一个新的真实低光图像数据集VILNC，为后续研究提供了宝贵资源。

研究意义与价值

zero-ig方法的提出为低光图像增强领域带来了新的突破。其无需训练数据的特点使其在实际应用中具有广泛的适用性，尤其是在噪声分布未知或数据稀缺的情况下。此外，zero-ig通过光照引导的联合去噪和增强，有效解决了传统方法在处理不均匀亮度图像时的局限性，具有重要的科学和应用价值。

研究亮点

• 创新性：zero-ig是首个基于光照引导的零样本低光图像增强方法，无需训练数据或噪声分布的先验知识。
• 高效性：通过联合去噪和增强，zero-ig在保持图像细节的同时，有效去除了噪声。
• 实用性：zero-ig在处理真实低光图像时表现出色，尤其是在不均匀亮度场景下，具有广泛的应用前景。

zero-ig为低光图像增强领域提供了一种全新的解决方案，具有重要的理论和实践意义。