Structure-Revealing Low-Light Image Enhancement Via Robust Retinex Model TIP 2018阅读记录

Abstract& Introduction

到目前为止，经典的Retinex模型都是不够健壮的，对于噪声的加入抵抗力很差，我们提出了健壮的Retinex模型，进行对噪声图的估计，加入了对照明情况和反射率的新的正则项
之前增强低光图像有很多办法：
包括HE的方法，它的主要bonous点在于增强了对比度，然而正因为他增强了对比度，必然带来过度增强的隐患
倒置弱光图像的算法（就像我们之前说的那篇文章一样），倒置的弱光图像看起来像是雾度图像，然后运用除雾算法，将得到的结果再次反转，然而不具有很好的物理背景，同时在处理过程中，增强和降噪的顺序一直是一个问题。在去噪之前执行增强方法可能会导致噪声放大，从而增加了去噪的难度。另一方面，去噪后，增强效果可能会有些模糊。
这里还认为那些state of art的深度学习算法所采用的数据集都是合成的，所以可能有问题
之前的retinex算法对正则项也运用对数，我们认为正则项是不应该用对数来作用的，这样是无法很好地处理图像中的噪声的，所以我们主要的改进点就在这里

Contributions

在传统的retinex模型的基础上考虑了噪声的影响，显式估计噪声图像，同时估计结构图和光照图
增强的拉格朗日求解器，不采用对数的求解法
我们的方法不仅可以用于弱光图像的增强，也可以用于水下图像，图像去雾、沙尘暴天气

Methods

依然是基于如下的公式

intrinsic image decomposition和上面的方程基本类似，它要考虑的是L（朗博shading）、R（反射率）和C（镜面反射分量），只不过在大部分方法中，C被出于简单的考虑而舍弃掉了，这里我们依然舍弃掉C，但是加入了一个噪声分量N<