UBLLIE：统一背光和低光图像增强

背光和低光图像经常遭受严重的曝光不平衡或全局曝光不足，这给视觉感知和下游计算机视觉任务带来了重大挑战。在本文中，我们提出了一个统一的、无监督的增强框架，可以在不依赖配对 真值 数据的情况下解决这两种类型的退化。我们的方法建立在 CLIP 引导的提示学习的基础上，使用学习到的积极和消极的文本提示来语义监督增强。为了提高我们对之前工作的改进质量，我们设计了一个对称残差 U-Net 主干网，并使用 Atrous Spatial Pyramid Pooling 模块进行了增强。该架构捕获多尺度上下文信息，从而能够在空间异构照明下进行自适应校正。在训练过程中，增强网络以基于 CLIP 的语义相似性损失为指导，并通过迭代提示优化机制进行细化。对配对和不配对数据集（包括 BAID、Backlit300、LOL 和 VE-LOL-L）的大量实验表明，我们的框架在保真度、感知质量和泛化方面始终优于最先进的监督和无监督方法。此外，我们的工作强调需要更强大的背光增强基准测试协议，这是一个相对尚未开发的领域。所提出的框架为跨不同照明条件的现实世界照明增强提供了强大的、可扩展的解决方案。