图像增强论文精读笔记-Low-Light Image Enhancement via a Deep Hybrid Network

现有的研究方法在低光图像增强都存在或多或少的缺陷

提出了一种混合神经网络，其中分为内容流及边缘流两部分。内容流用于预测输入的场景信息，而边缘流专注于边缘细节学习。这个设计的网络能够恢复更准确的场景内容。
引入两个独立的权重图作为输入特征和RNN的隐藏状态，改进了一种空间变化的RNN。RNN建模图像的内部结构，例如边缘，这在低光照图像增强中起着重要作用。通过强调图像的边缘信息来对增强结果进行完善
损失函数方面，使用感知损失和对抗损失训练混合网络，生成在视觉上令人满意的增强图像

(1) 网络总体架构图如下。增强的过程为分为两个流，分别是内容流（上方）以及边缘流（下方）

其中边缘流部分通过空间变化的RNN来进一步学习图像的边缘特征，指导恢复图像。两部分结果concat起来计算损失函数

边缘流部分细节图如下所示：

原始的空间RNN关系如下式：

这里的 p $k$ 是平衡 x $k$ 和 h $k$ 贡献的加权因子。CNN依赖于图像内容，用于学习相应的权重图 p。因为低光图像和日光图像的整体能量不同，这种传统方法不能直接应用于低光图像增强任务。

受公式中空间可变 RNN 的启发，我们提出了一种边缘流来弥补低光图像结构信息的损失。更具体地说，我们提出了一种改进的空间可变 RNN 模型：

不同的是，引入了一个新的权重图 g，它与 p 无关。因此，当前图像像素信息 x $k$ 和前一个隐藏状态 h $k-1$ 可以更灵活地融合。

这篇文章的核心创新点应该是通过空间变化的RNN，强调了边缘信息的作用。作者团队做了很多消融实验，包括不同组件部分、不同损失函数等等。