原文地址

https://arxiv.org/abs/2001.06826

论文阅读方法

三遍论文法

初始（Abstract & Introduction & Conclusion）

Low-Light(低光照)图像会降低图像美学以及传递信息的质量，前者会影响观者体验，后者会导致错误信息的传递(例如：物体/人脸识别)。本文提出了一种新方法(light-weight deep network)用于解决Low-Light图像增强问题，它将这个任务转换为了一个image-specific曲线估计问题(图像作为输入曲线作为输出)，这类曲线对在输入的动态范围内进行像素级调整，从而获得增强图像。

并且作者通过设置一系列non-reference的损失函数(spatial consistency loss, exposure control loss, color constancy loss, illumination smoothness loss,可以间接反映增强质量)，使得网络在没有任何参考图像的情况下能够进行end-to-end训练，整个方法在多个数据集上都取得了SOTA。

从上图的示例可以看出来，Zero-DCE能够在保持固有颜色和细节的情况下，对图像进行很好的增强。

本文的主要贡献有三点：

1. 提出了第一个与paired或unpaired data无关的low-light增强网络，这样既避免了过拟合的风险，也可以使得网络能很好地泛化到各种光照条件下。
2. 设计了一个image-specific曲线，通过反复应用自身，能拟合成一条pixel-wise and higher-order曲线，可以在更广的动态范围内进行有效的映射。
3. Zero-DCE能够在没有参考图像的情况下进行训练(通过设置task-specific的non-reference损失函数，其可间接评估增强质量)

除此之外，Zero-DCE是light-weight的，计算量很小，所以可以应用于其他任务，并提高检测精度(例如人脸检测)

相知（Body）

2. Related Work

Conventional Methods

作者在这节介绍了一些传统的方法(例如：HE-based，基于图像直方图分布，基于Retinex 理论的方法)，作者认为这些传统方法要么是随机地改变图像的直方图分布，要么依赖于一些可能不正确的物理模型(真敢怼啊…)，而本文提出的方法是通过image-specific曲线映射进行增强。这种策略可以增强图像，并且不会出现unrealistic artifacts。

同时，作者还与同样使用曲线映射的方法(Lu Yuan and Jian Sun - Automatic exposure correction of consumer photographs)进行了对比：本文提出的方法是data-driven，并设计了non-reference损失函数，这样会得到更好的鲁棒性，更广的动态调整范围以及更低的计算负担。

Data-Driven Methods

数据驱动的方法可以被分为两个分支，CNN-based和GAN-based。

1）CNN-based：绝大多数的CNN-based方法都需要paired data(low/normal light image)来进行监督训练。这些paired data通常通过在相机采集图片时改变相机的设置，或者使用图像修饰来进行仍合成。可想而知，这些基于paired data的方法通常是high cost(数据收集)，并且数据集还存在一些虚假/不真实的图片(人工合成)，这样会影响到模型的泛化能力(当模型应用在真实世界的不同光照下，通常会出现色偏等现象)。

2）GAN-based： unsupervised GAN-based方法可以避免在训练过程中使用paired data，例如EnlightenGAN(之前的SOTA，最好的GAN-based方法)使用了unpaired data来进行图像增强，然而这些unpaired data通常也需要精心挑选。

本文提出的Zero-DCE相比于上面的data-driven方法有三个优点：

1. 探索了一种全新的学习策略(zero reference)，消除了对paired/unpaired data的需求；
2. 设置non-reference损失函数来对输出图像进行间接的评估；
3. 提出的方法是high efficient和cost efficient的.

作者将以上三个优点归功于：zero reference learning framework + lightweight network structure + effective non-reference loss functions.

3. Methodology

Zero-DCE的框架如下图所示，它被用来学习一组best-fitting的增强曲线，框架迭代应用Curve，对输入图像的RGB通道中所有像素进行映射，从而获得最后的增强图像。

3.1 Light-Enhancement Curve (LE-Curve)

受到图像编辑软件的"Curves Adjustment"的启发，作者尝试设计一类能够将low-light图像自动映射到增强图像的曲线，曲线参数是self-adaptive的，并仅取决于输入图像。设计这样的曲线有三个要求：

1. 增强图像的像素值归一化为[0,1]，这避免了由于overflow truncation而导致的信息丢失；
2. 设计的曲线应该是单调的，从而保留相邻像素间的差异(对比度)；
3. 曲线应该尽可能地简单，使得其在梯度反向传播过程中是可导的。

为了达到上述的三个要求，作者设计了一个二次曲线：

其中，x为像素坐标，LE(I(x); α)为输入图像I(x)的增强结果，α∈[-1,1]为可训练的曲线参数(修改曲线的大小并控制曝光度)。每个像素都归一化为[0,1]，并且所有操作都是pixel-wise。使用时，在输入的RGB通道分别应用LE-Curve，这可以更好地保持固有颜色以及避免过拟合。

在不同的α参数设置下，图像如上图(b)所示，可以看到设计的曲线可以很好地满足上述的三个要求。此外，LE-Curve还能增加/减少输入图像的动态范围，这样不仅可以增强low-light区域，还可以避免过度曝光。

Higher-Order Curve：

通过迭代上式(1)定义的LE-Curve，可以使得调整变得更灵活，从而使得模型能够适应于各种challenging的弱光条件下：

其中，n为迭代的次数(控制曲率，本文将n设置为8，这可满足大多数情况)，当n为1时，式(2)就退化为了(1)。上图©中提供了high-order Curve的示例，可以看到，相比于(b)中的图像，其具有更强大的调节能力(更大的曲率)。

Pixel-Wise Curve：

上面提到的高阶曲线可以在更宽的动态范围内调整图像，但由于α应用于所有的像素，所以仍为global adjustment。这种global mapping会导致over-/under- enhance局部区域，为了解决这个问题，作者重新定义α为一个pixel-wise参数(即.输入图像的每个像素都有其对应的曲线)：

其中，Α为parameter map(与输入图像维度一致)，作者假设局部区域内的像素都具有相同的强度(也具有相同的调整曲线，α一致)，因此输出结果中相邻像素仍保持单调关系，所以pixel-wise的高阶曲线(式3)也满足设计的3个要求。

上图为三个通道的estimated curve parameter map的示例，可以看到不同通道的best-fitting parameter maps具有相似的调整趋势，但值不同，说其可以代表low-light图像三通道之间的相关性和差异性。曲线的parameter map能够准确地表示不同区域的亮度情况(例如墙上的两个亮点)，因此可以直接通过pixel-wise curve mapping进行图像增强，如(e)所示，明亮区域保留，黑暗区域增强。

3.2 DCE-Net

为了学习到输入图像与上述best-fitting curve parameter map之间的映射关系，作者使用了Deep Curve Estimation Network (DCE-Net)，输入为low-light图像，输出为一组用于高阶曲线的pixel-wise curve parameter maps。本文构建的CNN由7个具有对称结构的卷积层组成(类似于U-Net)，前6层的卷积核为(3x3x32，stride=1)然后接一个ReLU激活，抛弃了down-sampling和bn层(作者认为这会破坏领域像素间的关系)，最后一层卷积通道为24(用于8个迭代轮次的parameter maps)，接一个Tanh激活函数。

整个网络的参数量为79,416，Flops为5.21G(input 为256x256x3)，很轻量。

3.3 Non-Reference Loss Functions

为了使得模型的训练过程是Zero-reference的，作者提出了一系列non-reference loss用于评估增强图像的质量。

Spatial Consistency Loss:

L_spa 能够维持输入图像与其增强版本之间的邻域差异(对比度)，从而促进增强后图像仍能保持空间一致性。

其中，K为局部区域的数量，Ω(i)是以区域i为中心的四个相邻区域(top, down, left, right)，Y和I分别为增强图像和输入图像的局部区域平均强度值。这个局部区域的Size经验性地设置为4x4，如果为其他Size，loss将会变得稳定下来。

Exposure Control Loss:

为了控制under-/over-曝光的区域，设计了L_exp 来控制曝光程度，其可以衡量局部区域的平均强度与well-exposedness Level E之间的差距。作者遵循现有作法，将E设为RGB颜色空间中的gray leavel，本文实验中设为0.6(并且作者提到E在[0.4,0.7]之间基本无性能差异)。

其中，M为不重叠的局部区域数量，区域Size为16x16，Y为增强图像中局部区域的平均像素强度值。

Color Constancy Loss：

根据Gray-World颜色恒等假设(关于Gray-World可以参照这篇博客:https://zhuanlan.zhihu.com/p/84783847)，设计了L_col 用于纠正增强图像中的潜在色偏，同时也建立了三个调整通道之间的关系。

其中，J^p 代表增强图像通道p的平均强度，(p, q)代表一对通道。

Illumination Smoothness Loss：

为了保持相邻像素间的单调关系，在每个curve parameter map A上增加了平滑度损失。

其中，N为迭代次数，▽_x，▽_y 分别代表水平和垂直方向的梯度操作。

Total Loss：

其中W_col，W_tvA 为Loss的权重(源码中Exposure control loss前也有权重)

4. Experiment

为了充分发挥Zero-DCE的宽动态范围调整能力，训练集合并了low-light和over-exposed图像(Part 1 of SICE数据集，3022张不同曝光程度的图像，其中2422张图片用于训练)，图像尺寸为512x512。

batch size为8，单卡2080Ti，使用(0, 0.02)高斯函数初始化权重，bias初始为常量，使用ADAM优化器(lr=1e^-4)，W_col 为0.5，W_tvA 为20，从而平衡loss间尺度差距。

4.1 Ablation Study

Contribution of Each Loss：

从上图可以看出，移除L_spa 会导致对比度降低(例如云的区域)；移除L_exp 会导致低亮度区域曝光不足；移除L_col 会出现严重的色偏现象；移除L_tvA 会降低邻域间的相关性，从而导致明显的artifacts。

Effect of Parameter Setting：

参数方面主要探讨Zero-DCE的深度宽度以及迭代的次数。如上图所示，L-F-N代表Zero-DCE有L层卷积，每层有F个feature map以及迭代次数为N。

Impact of Training Data：

使用不同数据集对Zero-DCE进行训练：1）原训练集中(2422)的900张low-light图像Zero-DCE_Low ；2）DARK FACE中9000张未标注的low-light图像Zero-DCE_LargeL ；3）SICE数据集Part 1 and Part2组合的4800张多重曝光图像Zero-DCE_LargeLH

从©(d)中可以看出，移除曝光数据后，Zero-DCE都会过度曝光那些well-lit区域(例如脸部)；从(e)中可以看出，使用更多的多重曝光的训练数据，Zero-DCE对黑暗区域的恢复效果会更好。

4.2 Benchmark Evaluations

在多个数据集(NPE LIME MEF DICM VV以及SICE的Part2)上与目前SOAT的方法进行了对比。

4.2.1 Visual and Perceptual Comparison

上图为不同方法的可视化比较，除此之外，作者还行进行User Study以量化不同方法的主观视觉质量。

User Study：提供输入图像作为参考，邀请15人对这些增强图像的视觉质量进行独立评估，标准为——a) 是否存在over-/under-exposed artifacts和over-/under- enhanced区域；b) 是否存在色偏；c) 是否存在不自然的纹理以及噪声，评分范围为1-5，越高越好。

Perceptual Index：除了使用US score，还应用perceptual Index来评估感知质量，越低越好。

最后US和PI的结果如下表所示，左列为US，右列为PI。

4.2.2 Quantitative Comparison

除此之外，作者还对比了不同方法的计算速度(简单点说就是又快又好)。

4.2.3 Face Detection in the Dark

同时，作者还在基于DARK FACE数据集的人脸检测任务上应用了Zero-DCE，可以看到效果还是提升了不少。

回顾（Review）

Zero-DCE发表于CVPR2020，如同其在文章中所说，在多个数据集基准上均为SOTA，排名第一。博主也是第一次接触Low-Light Enhancement这个领域，整篇文章读下来，给人的感觉就是idea简明，效果很好，并且为Zero-Reference类似于自监督的思想，Curve所用参数都由神经网络给出，与且仅与输入图像有关。

看了一些其他博客关于这篇文章的讨论，还是有很多值得深思的地方，比如本文未考虑噪声情况(这里作者也提到未来会考虑噪声影响)。但目前与其他方法比对起来，效果还是不错的，并且速度是真的快、模型也lightweight，而且训练时间也短，作者说只需要30min，这个优势还是很明显的。

代码

整篇文章的代码比较简单，这里先贴上原作者的Code(点我)，届时我在放上自己的复现代码。

---

以上为个人的浅见，水平有限，如有不对，望大佬们指点。

未经本人同意，请勿转载，谢谢。