摘要

将低光照图像增强为正常曝光图像属于高度病态问题，即两者之间存在一对多的映射关系。以往基于像素级重建损失和确定性过程的方法难以捕捉正常曝光图像复杂的条件分布，导致增强结果出现亮度不准确、残留噪声以及伪影等问题。本文提出一种基于归一化流（normalizing flow）的建模方法，用于刻画这一对多映射关系。所提出的可逆网络以低光照图像或其特征作为条件，学习将正常曝光图像的分布映射至高斯分布。在此框架下，正常曝光图像的条件分布得以有效建模，而图像增强过程（即可逆网络的反向推断）等价于在训练过程中受到一个能更好描述自然图像流形结构的损失函数约束。在现有基准数据集上的实验结果表明，所提方法在定量与定性指标上均优于现有方法，能够生成更合理的光照效果，显著减少噪声与伪影，同时呈现更丰富的色彩表现。