2023CVPR_Learning a Simple Low-light Image Enhancer from Paired Low-light Instances(PairLLE)无监督-526互联

一. motivation

以前的大多数LIE算法使用单个输入图像和几个手工制作的先验来调整照明。然而，由于单幅图像信息有限，手工先验的适应性较差，这些解决方案往往无法揭示图像细节。

二. contribution

1. 提出一个成对低光图像输入（相同内容，不同的曝光度）

2. 在输入之前进行了一个去噪操作，再进行Retinex分解

三. Network

训练阶段：

1 I1 和 I2 是两个曝光度不同的低光输入，分别输入到P-Net进行去噪，再分别输入到L-Net和R-Net得到光照分量和反射分量

2 P-Net 和 R-Net有相同的网络结构，P-Net 是进行一个去噪操作，使得 i1更加满足于Retinex分解

class R_net(nn.Module):
    def __init__(self, num=64):
        super(R_net, self).__init__()

        self.R_net = nn.Sequential(
            nn.ReflectionPad2d(1),
            nn.Conv2d(3, num, 3, 1, 0),
            nn.ReLU(), 
            nn.ReflectionPad2d(1),
            nn.Conv2d(num, num, 3, 1, 0),
            nn.ReLU(),               
            nn.ReflectionPad2d(1),
            nn.Conv2d(num, num, 3, 1, 0),
            nn.ReLU(),               
            nn.ReflectionPad2d(1),
            nn.Conv2d(num, num, 3, 1, 0),            
            nn.ReLU(),   
            nn.ReflectionPad2d(1),
            nn.Conv2d(num, 3, 3, 1, 0),
        )

    def forward(self, input):
        return torch.sigmoid(self.R_net(input))