文献类型：期刊文章

作　　者：马龙[1,2] 马腾宇[1] 刘日升[2,3]

Ma Long;Ma Tengyu;Liu Risheng(School of Software Technology,Dalian University of Technology,Dalian 116024,China;Pengcheng Laboratory,Shenzhen 510852,China;DUT-RU International School of Information Science and Engineering,Dalian University of Technology,Dalian 116024,China)

机构地区：[1]大连理工大学软件学院,大连116024 [2]鹏程实验室,深圳510852 [3]大连理工大学—立命馆大学国际信息与软件学院,大连116024

出　　处：《中国图象图形学报》

基　　金：国家重点研发计划资助(2020YFB1313503);国家自然科学基金项目(61922019);中央高校基本科研业务费专项资金资助。

年　　份：2022

卷　　号：27

期　　号：5

起止页码：1392-1409

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：低光照图像增强旨在提高光照不足场景下捕获数据的视觉感知质量以获取更多信息,逐渐成为图像处理领域中的研究热点,在自动驾驶、安防等人工智能相关行业中具有十分广阔的应用前景。传统的低光照图像增强技术往往需要高深的数学技巧以及严格的数学推导,且导出的迭代过程普遍流程复杂,不利于实际应用。随着大规模数据集的相继诞生,基于深度学习的低光照图像增强已经成为当前的主流技术,然而此类技术受限于数据分布,存在性能不稳定、应用场景单一等问题。此外,在低光照环境下的高层视觉任务(如目标检测)对于低光照图像增强技术的发展带来了新的机遇与挑战。本文从3个方面系统地综述了低光照图像增强技术的研究现状。介绍了现有低光照图像数据集,详述了低光照图像增强技术的发展脉络,通过对比低光照图像增强质量与夜间人脸检测精度,进一步对现有低光照增强技术进行了全面评估与分析。基于对上述现状的探讨,结合实际应用,本文指出当前技术的局限性,并对其发展趋势进行预测。

关 键 词：低光照图像增强  RETINEX理论 光照估计 深度学习  低光照人脸检测  

分 类 号：TP391]