摘要

基于深度学习的方法在图像恢复和增强方面取得了显著的成功，但在缺乏配对训练数据的情况下，它们是否仍然具有竞争力？本文以低光照图像增强问题为例进行了探讨，实际中同时拍摄同一视觉场景的低光照和正常光照照片极具挑战性。我们提出了一种高效的无监督生成对抗网络（Generative Adversarial Network, GAN），命名为EnlightenGAN，该网络无需低光照/正常光照图像对即可进行训练，并且在各种真实世界的测试图像上表现出色。我们没有使用真实数据来监督学习过程，而是提出了利用输入本身提取的信息来正则化未配对的训练，并为低光照图像增强问题引入了一系列创新方法，包括全局-局部判别器结构、自正则化感知损失融合以及注意力机制。通过广泛的实验验证，我们的方法在视觉质量和主观用户研究方面均优于近期的方法。得益于无配对训练带来的巨大灵活性，EnlightenGAN被证明可以轻松适应来自不同领域的现实世界图像增强任务。代码可在以下网址获取：\url{https://github.com/yueruchen/EnlightenGAN}