Controlling low-light image enhancement with restoration level estimator

Abstract

Low-light image enhancement (LLIE) is an important task in computer vision, addressing the need to improve the visual quality of images captured in suboptimal lighting condi tions. Enhanced images are not only more visually appealing but also more effective for downstream tasks such as object detection and classification. However, while the desired level of enhancement is often subjective and varies across users and applications, previous LLIE techniques do not allow users to control the desired level of enhancement intensity. Weintroduce the Restoration Level Estimator (RLE) block, a novel component designed to provide control over the enhancement level in existing LLIE models. The RLE block can be seamlessly integrated into convolutional neural networks, adding a new channel that allows users to adjust the level of enhancement applied to input images. Furthermore, our experiments show that, in addition to offering control, the RLE block can improve the overall performance of LLIE models as measured by PSNR, SSIM, and LPIPS. We demonstrate the flexibility of our approach across multiple LLIE models, highlighting its potential to improve both user experience and model performance.

Orealce de imagens em baixa iluminação (Low-Light Image Enhancement- LLIE) é uma tarefa importante em visão computacional, visando melhorar a qualidade visual de ima gens capturadas em condições de iluminação subótimas. Imagens realçadas não apenas se tornam mais agradáveis visualmente, mas também mais eficazes para tarefas subsequen tes, como detecção e classificação de objetos. No entanto, o nível desejado de realce é frequentemente subjetivo e varia entre usuários e aplicações, o que motiva a necessidade de métodos de LLIE controláveis, que permitam ajustar a intensidade do realce. Neste trabalho, introduzimos o bloco Estimador de Nível de Restauração (Restoration Le vel Estimator- RLE), um componente projetado para proporcionar controle sobre o nível de realce em modelos existentes de LLIE. O bloco RLE pode ser integrado em redes neu rais convolucionais, adicionando um novo canal que permite aos usuários ajustar o nível de realce aplicado às imagens de entrada. Além disso, nossos experimentos mostram que, além de oferecer controle, o bloco RLE pode, em alguns casos, melhorar o desempenho geral dos modelos de LLIE. Demonstramos a flexibilidade da nossa abordagem em di versos modelos de LLIE, destacando seu potencial para aprimorar tanto a experiência do usuário quanto o desempenho do modelo.