ERetinex: Event Camera Meets Retinex Theory for Low-Light Image Enhancement
Xuejian Guo, Zhiqiang Tian, Yuehang Wang, Siqi Li, Yu Jiang, Shaoyi Du, Yue Gao·March 04, 2025
Summary
结合事件相机与视网膜理论的ERetinex方法,专为低光图像增强设计,优于传统仅使用图像信息的方法。ERetinex通过融合事件相机的高动态范围数据与传统图像信息,准确估计场景光照,生成清晰、细节丰富的图像。实验显示,该方法在PSNR上优于先进方法,同时减少FLOPS 84.28%。ERetinex在参数更少的情况下,性能达到最优,适用于监控、自动驾驶和低功耗设备等领域。未来研究将专注于提高模型在高动态范围图像处理能力及增强其泛化能力。
引言
背景
低光图像增强的挑战与需求
传统图像信息处理方法的局限性
目标
提出ERetinex方法的创新点与目标
通过融合事件相机数据与传统图像信息,实现低光图像的高质量增强
方法
数据融合
事件相机数据的特性与优势
传统图像信息的整合与优化
ERetinex模型
模型架构与工作原理
光照估计与图像增强的机制
性能评估
PSNR指标的提升
FLOPS减少的实现
实验结果与分析
实验设计
数据集选择与实验设置
比较对象与方法
结果展示
ERetinex方法在PSNR上的表现
FLOPS减少的量化分析
性能优势
参数效率与增强效果的平衡
应用场景的广泛性
应用与前景
应用领域
监控系统
自动驾驶技术
低功耗设备
技术优势
高动态范围图像处理能力
强大的泛化能力
未来研究方向
高动态范围图像处理
提升模型在复杂光照条件下的表现
泛化能力增强
应对不同场景与光照条件的挑战
结论
ERetinex方法的创新价值与实际应用潜力
Basic info
papers
computer vision and pattern recognition
artificial intelligence
Advanced features