Low Light Image Enhancement

🚀 Zero-DCE for low-light image enhancement

本項目實現了零參考深度曲線估計（Zero-Reference Deep Curve Estimation，Zero-DCE）技術，用於低光照圖像增強。該技術通過深度神經網絡估計特定圖像的色調曲線，從而有效提升低光照圖像的質量。

🚀 快速開始

你可以直接訪問 Spaces Demo 體驗該模型的效果。

✨ 主要特性

• 零參考增強：Zero-DCE 在訓練過程中無需輸入/輸出圖像對，通過精心設計的非參考損失函數來隱式衡量增強質量並指導網絡訓練。
• 動態範圍調整：訓練一個輕量級的深度網絡 DCE-Net 來估計像素級和高階色調曲線，對輸入圖像的動態範圍進行像素級調整，以獲得增強後的圖像。
• 保持圖像質量：曲線估計過程能夠保持增強圖像的範圍，並保留相鄰像素的對比度。

📚 詳細文檔

項目信息

作者與貢獻者信息

• 原作者：Soumik Rakshit
• 創建日期：2021/09/18
• HF貢獻者：Harveen Singh Chadha
• 數據集：LOL Dataset

技術原理

零參考深度曲線估計（Zero-DCE）將低光照圖像增強問題轉化為使用深度神經網絡估計特定圖像色調曲線的任務。在這個示例中，我們訓練了一個輕量級的深度網絡 DCE-Net，以估計給定圖像動態範圍調整所需的像素級和高階色調曲線。

Zero-DCE 以低光照圖像作為輸入，輸出高階色調曲線。這些曲線隨後用於對輸入圖像的動態範圍進行像素級調整，從而得到增強後的圖像。曲線估計過程會保持增強圖像的範圍，並保留相鄰像素的對比度。這種曲線估計方法受到了照片編輯軟件（如 Adobe Photoshop）中曲線調整功能的啟發，用戶可以在這些軟件中調整圖像色調範圍內的各個點。

示例圖片

📄 許可證

本項目採用 apache-2.0 許可證。