TMM 2024 | 基于SAM结构先验与引导的低光照图像增强

主要观点总结

本文介绍了基于SAM结构先验与引导的低光照图像增强方法，包括分割引导框架SGF、区域感知动态特征提取器和分割引导Transformer模块等。该方法旨在解决低光照图像中不同区域的光照分布不均匀和细节丢失问题。

关键观点总结

关键观点1: 引入SAM结构先验，有效挖掘隐藏在黑暗区域的结构信息。

论文开创性地提出基于强大的Segment Anything Model (SAM)构建的图像级和特征级结构先验，来引导低光照图像增强过程。

关键观点2: 设计区域感知动态特征提取器，用于推导光照区域感知的特征级先验。

该提取器能够根据不同区域的光照条件自适应地处理区域，促进区域感知特征的生成。

关键观点3: 提出分割引导框架SGF，整合构建的鲁棒分割先验以指导增强过程。

SGF包括分割先验重建模块和分割引导增强模块，前者基于SAM的分割结果构建图像级和特征级结构先验，后者采用多级对称分层结构，通过结合图像级和特征级先验引导增强过程。

关键观点4: 通过实验验证，SGF在定量评估和视觉比较方面均表现出色。

综合实验结果表明，SGF的有效性。

免责声明