[论文解读] L^2UWE: A Framework for the Efficient Enhancement of Low-Light Underwater Images Using Local Contrast and Multi-Scale Fusion

Tunai Porto Marques, Alexandra Branzan Albu|arXiv (Cornell University)|May 27, 2020

Image Enhancement Techniques被引用 14

一句话总结

L2UWE 提出了一种新颖的单图像增强框架，用于低光照水下图像，通过利用局部对比度来建模大气光照，生成两个增强输出——一个强调细节，另一个强调去暗处理——并通过多尺度融合将二者结合，以提升可见度、对比度和显著特征，同时保持色彩保真度。该方法在七个指标上优于七种最先进方法，在 UIQM、PCQI、e-score 和 SURF 特征方面取得最高分。

ABSTRACT

Images captured underwater often suffer from suboptimal illumination settings that can hide important visual features, reducing their quality. We present a novel single-image low-light underwater image enhancer, L^2UWE, that builds on our observation that an efficient model of atmospheric lighting can be derived from local contrast information. We create two distinct models and generate two enhanced images from them: one that highlights finer details, the other focused on darkness removal. A multi-scale fusion process is employed to combine these images while emphasizing regions of higher luminance, saliency and local contrast. We demonstrate the performance of L^2UWE by using seven metrics to test it against seven state-of-the-art enhancement methods specific to underwater and low-light scenes. Code available at: https://github.com/tunai/l2uwe.

研究动机与目标

• 解决由于人工光源分布不均、吸收和散射导致的低光照水下图像可见度差的问题。
• 开发一种高效的单图像增强框架，提升亮度、对比度和色彩保真度，且不依赖多幅图像或复杂的数据驱动模型。
• 利用局部对比度作为大气光照估计的代理，实现准确且计算高效的增强。
• 通过多尺度融合结合两种基于对比度的增强输出，突出高亮度、显著和高对比度区域。
• 使用标准化指标和 OceanDark 数据集，对方法与最先进水下及低光照图像增强技术进行验证。

提出的方法

• 该方法从局部对比度信息中推导出两种大气光照模型，实现对细微细节和暗区去除的独立增强。
• 生成两个增强图像：一个优化于纹理和边缘保持，另一个优化于照亮低光照区域。
• 采用多尺度融合策略结合两个输出，融合权重由亮度、显著性和局部对比度决定，以优先处理视觉重要区域。
• 该框架采用基于对比度的增强方法，受暗通道先验启发，但针对低光照水下条件进行了适配，避免依赖固定水体类型假设。
• 融合过程采用基于引导滤波的多尺度分解，以保持结构完整性并减少伪影。
• 该方法使用 OceanDark 数据集和七个指标（UIQM、PCQI、FADE、GCF、r-score、e-score 和 SURF 特征）进行评估。

实验结果

研究问题

• RQ1 在缺乏水体类型先验知识的情况下，局部对比度信息能否有效用于建模低光照水下图像的大气光照？
• RQ2 采用两流增强方法（分离细节保持与去暗处理）是否优于单流方法？
• RQ3 对基于对比度和亮度加权的输出进行多尺度融合，能否在保持色彩保真度的同时提升整体图像质量？
• RQ4 L2UWE 与七种最先进水下及低光照图像增强方法相比，其定量和定性表现如何？
• RQ5 所提出方法在多大程度上减少了暗区，同时避免了过度增强或色彩失真？

主要发现

• L2UWE 获得最高的 UIQM 得分 1.38 ± 0.11，表明其感知图像质量优越，与人类视觉感知一致。
• 其 PCQI 得分为最佳 1.17 ± 0.07，证实了对比度和图像质量的有效增强。
• L2UWE 获得最高的 e-score（1.82 ± 0.83）和 SURF 特征数量（1856 ± 655），表明其在边缘和显著结构增强方面表现更优。
• 该方法获得最高的 r-score（4.61 ± 0.58），表明在可见度和低光照区域照明方面有显著提升。
• L2UWE 获得最低的 FADE 得分（0.42 ± 0.20），表明图像质量退化最小，噪声或伪影最少。
• 尽管 Zhang et al. [49] 的方法在 GCF 指标上表现强劲，但定性分析显示其结果存在不自然的饱和度；L2UWE 在所有其他指标上表现更优，同时保持了自然的色彩分布。