基于隐蔽场的无监督低光照增强方法、设备及存储介质与流程

1.本发明属于计算机视觉技术领域，特别涉及一种基于隐蔽场的无监督低光照增强方法、设备及存储介质。


背景技术：

2.在低照度环境下拍摄的图像通常能见度都很低，这些图像除了在视觉效果上降低了美感以外，还让计算机视觉的显示效果降质了。低光照图像增强(low-light image enhancement,llie)旨在提升低光环境下所采集图像的感知质量。该领域的近期进展主要由深度学习方法(包含不同学习策略、网络架构、损失函数、训练数据等)主导。
3.现有zero-dce模型(参见zero-reference deep curve estimation for low-light image enhancement proceedings of the ieee conference on computer vision and pattern recognition(cvpr))利用卷积神经网络cnn以及一系列的无监督损失函数，来完成无监督低光照增强任务。现有raw-nerf模型(参见nerf in the dark:high dynamic range view synthesis from noisy raw images proceedings of the ieee/cvf conference on computer vision and pattern recognition)探究了低光照场景下相机raw图像的多视合成任务，将神经辐射场(neural radiance field，nerf)直接在raw图像上面进行处理，然后将渲染出来的新视角图像进行一系列后处理得到高清高光照的图像。
4.然而，采用上述现有技术所增强的图像上仍然带有噪声，这些噪声的存在会一定程度影响图像质量。


技术实现要素：

5.本说明书实施例的目的是提供一种基于隐蔽场的无监督低光照增强方法、设备及存储介质。
6.为解决上述技术问题，本技术实施例通过以下方式实现的：
7.第一方面，本技术提供一种基于隐蔽场的无监督低光照增强方法，该方法包括：
8.获取待增强的低光照图像的3d位置坐标和角度信息；
9.将3d位置坐标和角度信息输入预先训练的aleth神经辐射场模型中，得到增强的正常光照图像；
10.其中，训练aleth神经辐射场模型时基于隐蔽场进行体素渲染。
11.在其中一个实施例中，隐蔽场包括局部隐蔽场和全局隐蔽场，局部隐蔽场控制每个粒子的亮度，全局隐蔽场控制全局亮度。
12.在其中一个实施例中，训练aleth神经辐射场模型时基于隐蔽场进行体素渲染，包括：
13.获取低光照训练图像的3d位置坐标和角度信息，并将低光照训练图像的3d位置坐标和角度信息处理为粒子对应的角度信息和坐标信息；
14.粒子对应的角度信息和坐标信息分别输入第一多层感知机和第二多层感知机，得
到每个粒子对应的密度、颜色和调整每个像素的局部隐蔽场；
15.对每个粒子对应的密度、颜色、局部隐蔽场及全局隐蔽场进行体素渲染，得到渲染后低光照图片。
16.在其中一个实施例中，射线r渲染后低光照图片的色彩c(r)为：
[0017][0018]
其中，r(i)为射线r上的第i个粒子；
[0019]
t(r(i))为射线r上第i个粒子受到的遮挡阻碍；σ(r(i))为射线r上第i个粒子的密度；δ为采样距离；c(r(i)，d)为射线r上第i个粒子的颜色；d为输入相机的角度信息；
[0020]
射线r上第i个粒子受到的遮挡阻碍t(r(i))采用基于隐蔽场的低光照场景的遮挡阻碍：
[0021]
其中，ω(r(j))为射线r上第j个粒子的局部隐蔽场；θg(j)为第j个粒子的全局隐蔽场。
[0022]
在其中一个实施例中，aleth神经辐射场模型的损失函数包括神经辐射场损失函数、色彩损失函数、控制损失函数、结构损失函数；
[0023]
通过调整损失函数的超参数和范围控制隐蔽场的数值。
[0024]
在其中一个实施例中，色彩损失函数l
cc
为：
[0025][0026]
其中，为预测的正常光照图像的色彩，r为射线，p和q分别为rgb三个通道中随机选取的两个通道。
[0027]
在其中一个实施例中，控制损失函数l
con
为：
[0028][0029]
其中，avgpool()为平均池化层，ω(r(i))为射线r上第i个粒子的局部隐蔽场，η为控制范围。
[0030]
在其中一个实施例中，结构损失函数l
st
为：
[0031][0032]
其中，k为相邻像素之间的差值，为低光照图像的相邻像素范围与正常光照图像的相邻像素范围的比例关系，c
low
(r)为低光照图像，为预测的正常光照图像。
[0033]
第二方面，本技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的基于隐蔽场的无监督低光照增强方法。
[0034]
第三方面，本技术提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的基于隐蔽场的无监督低光照增强方法。
[0035]
由以上本说明书实施例提供的技术方案可见，该方案：第一次将神经辐射场nerf用作无监督暗光图像增强任务以及黑暗场景下的多视角合成任务，且性能表现超过之前的无监督图像增强算法。
[0036]
另外，本技术提供的基于隐蔽场的无监督低光照增强方法，额外引入的无监督损失函数保障了aleth-nerf的训练稳定。
附图说明
[0037]
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0038]
图1为本技术提供的基于隐蔽场的无监督低光照增强方法的流程示意图；
[0039]
图2为本技术提供的aleth-nerf的网络模型架构的示意图；
[0040]
图3为本技术提供的损失函数部分的示意图；
[0041]
图4为本技术提供的电子设备的结构示意图。
具体实施方式
[0042]
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
[0043]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
[0044]
在不背离本技术的范围或精神的情况下，可对本技术说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本技术的说明书得到的其他实施方式对技术人员而言是显而易见得的。本技术说明书和实施例仅是示例性的。
[0045]
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
[0046]
相关技术中，需要将rgb图像进行raw空间处理，且增强效果不是很理想。
[0047]
基于上述缺陷，本技术提出一种基于隐蔽场的无监督低光照增强方法，该方法提出了aleth-nerf模型来完成无监督低光照增强以及novel view synthesis(新视角合成)，受到古希腊视觉观点的启发，古希腊人认为人在黑夜看不见物体是因为空气中存在遮挡。为此本发明在nerf模型中引入了隐蔽场(concealing fields)的概念，分为两组隐蔽场(体素级别的局部隐蔽场，以及全局级别的全局隐蔽场)。训练阶段，隐蔽场会加入到nerf的渲
染中参与训练低光照场景，在测试阶段隐蔽场将会被拿开渲染出正常光照场景，同时本发明会在训练阶段给模型以及隐蔽场加入无监督损失函数来控制隐蔽场的生成。
[0048]
下面结合附图和实施例对本发明进一步详细说明。
[0049]
参照图1，其示出了适用于本技术实施例提供的基于隐蔽场的无监督低光照增强方法的流程示意图。
[0050]
如图1所示，基于隐蔽场的无监督低光照增强方法，可以包括：
[0051]
s110、获取待增强的低光照图像的3d位置坐标和角度信息。
[0052]
具体的，待增强的低光照图像的3d位置坐标(或称为相机3d位置坐标)r(t)为三维空间坐标(x,y,z)，待增强的低光照图像的角度信息(或称为相机角度信息)d为视角(θ,)。
[0053]
s120、将3d位置坐标和角度信息输入预先训练的aleth神经辐射场模型中，得到增强的正常光照图像；
[0054]
其中，训练aleth神经辐射场模型时基于隐蔽场进行体素渲染。
[0055]
其中，隐蔽场包括局部隐蔽场和全局隐蔽场，局部隐蔽场控制每个粒子的亮度，全局隐蔽场控制全局亮度。
[0056]
具体的，aleth-nerf(aleth神经辐射场)的思想是根据古希腊人的设想，人在夜晚观察到的景色是黑暗的，是因为空气中带有的某种物质遮挡所导致的。在aleth-nerf中我们把这类遮挡称为隐蔽场，在nerf的训练阶段，我们会加入两种隐蔽场进行训练，分别是控制每个粒子亮度的局部隐蔽场(local concealing field)和控制全局亮度的全局隐蔽场(global concealing field)，局部隐蔽场是通过原有nerf的多层感知机网络生成得到，全局隐蔽场则是一组可学习的网络参数直接加到原有nerf的框架里面，两组隐蔽场参与到网络的训练阶段，来帮助nerf在训练阶段学习黑暗图像。在模型的测试阶段，两组隐蔽场将会同时被去掉，不参与到nerf的渲染阶段，这样就可以直接渲染得到正常光照的场景。
[0057]
一个实施例中，训练aleth神经辐射场模型时基于隐蔽场进行体素渲染，包括：
[0058]
获取低光照训练图像的3d位置坐标和角度信息，并将低光照训练图像的3d位置坐标和角度信息处理为粒子对应的角度信息和坐标信息；
[0059]
粒子对应的角度信息和坐标信息分别输入第一多层感知机和第二多层感知机，得到每个粒子对应的密度、颜色和调整每个像素的局部隐蔽场；
[0060]
对每个粒子对应的密度、颜色、局部隐蔽场及全局隐蔽场进行体素渲染，得到渲染后低光照图片。
[0061]
具体的，aleth-nerf的网络模型架构如图2所示，与原始的nerf相同，aleth-nerf的输入是相机的3d位置坐标r(t)以及相机的角度信息d，首先会根据3d位置坐标以及角度信息来针对每一个像素采样一条线，其次在这条线上面采样一定数量的粒子把这条线模拟为离散形式(采样粒子数为64)，然后根据相机坐标的初始位置和输入的角度信息来决定每个粒子的位置信息和角度信息，粒子对应的角度信息和坐标信息将会作为输入进入到接下来的网络部分。
[0062]
网络部分由两组多层感知机mlp(即第一多层感知机和第二多层感知机)组成(图中的蓝色mlp网络1和紫色部分mlp网络2)，粒子对应的坐标信息和角度信息输入到网络中，通过两个mlp网络之后，aleth-nerf将会分别输出每个粒子所对应的三个数值：密度(density)、颜色(color)以及调整每个像素的局部隐蔽场(local concealing)。
[0063]
下一阶段是体素渲染阶段，原始的nerf参见后面的体素渲染(volume rendering)，原始nerf的体素渲染仅包含密度σ和颜色c这两个参数，公式如下：
[0064][0065][0066]
其中，t(r(i))为射线r上第i个粒子受到的遮挡阻碍；σ(r(i))为射线r上第i个粒子的密度；δ为采样距离，也就是第i个粒子和第i+1个粒子之间的间隔距离；c(r(i)，d)为射线r上第i个粒子的颜色；d为输入相机的角度信息。
[0067]
然而训练阶段aleth-nerf的体素渲染是在密度σ和颜色c这两个参数之外还加入了隐蔽场的概念。除了在上文提到的网络自己生成的局部隐蔽场之外，我们还额外引入了一组可学习的参数作为全局隐蔽场(global concealing)，全局隐蔽场的数值与具体的每个图像无关，它的数值在同一场景中是固定的。训练阶段，在这两组隐蔽场的同时存在下，aleth-nerf改变了原有nerf的体素渲染，在体素渲染过程中起到遮挡作用，来帮助学习低光照场景，公式(2)改变如下：
[0068][0069]
其中，ω(r(j))为射线r上第j个粒子的局部隐蔽场；θg(j)为第j个粒子的全局隐蔽场。
[0070]
在网络的测试阶段aleth-nerf的渲染nerf的渲染公式相同，即去掉这两组隐蔽场，直接就可以得到正常光照的场景。
[0071]
一个实施例中，aleth神经辐射场模型的损失函数包括神经辐射场损失函数、色彩损失函数、控制损失函数、结构损失函数；
[0072]
通过调整损失函数的超参数和范围控制隐蔽场的数值。
[0073]
具体的，如图3所示，损失函数部分，aleth-nerf包括原有nerf的损失函数l
nerf
来让输出学习暗光场景图像，除此之外，额外加入了三组无监督损失函数来控制隐蔽场的生成，包括色彩损失函数l
cc
，控制损失函数l
con
和结构损失函数l
st
。
[0074]
nerf原始损失函数l
nerf
如下：
[0075][0076]
其中，为预测的射线r渲染后低光照图片的色彩；c(r)为真实的射线r渲染后低光照图片的色彩。
[0077]
色彩损失函数l
cc
基于色彩一致性的gray-world假说，加在网络去掉隐蔽场后预测的正常光照图像上，目的是为了保证生成出来的图像色彩较为均衡鲜艳：
[0078]
[0079]
其中，为预测的正常光照图像的色彩，r为射线，p和q分别为rgb三个通道中随机选取的两个通道。
[0080]
控制损失函数l
con
是为了控制隐蔽场的产生范围，这里我们把控制的范围定义为η，这个参数可以调整来帮助我们生成不同亮度的图像，在我们的模型中我们设置为0.1：
[0081][0082]
其中，avgpool()为平均池化层，池化层的步长为64，ω(r(i))为射线r上第i个粒子的局部隐蔽场。
[0083]
结构损失函数l
st
是为了保障渲染的低光照图像与正常光照图像存在结构上的相似性，控制渲染得到的低光照图像的相邻像素范围与正常光照图像的相邻像素范围有一定的比例关系，这里比例关系设置为结构损失函数l
st
如下：
[0084][0085]
其中，k为-1到1中随机选择一个，表示每一个c(r)和相邻像素之间的差值，为低光照图像的相邻像素范围与正常光照图像的相邻像素范围的比例关系，c
low
(r)为低光照图像的色彩，为预测的正常光照图像的色彩。
[0086]
最终网络的总体损失函数由这四部分共同组成：
[0087][0088]
其中，λ1、λ2、λ3分别为权重系数。
[0089]
采用本技术提出的aleth-nerf模型实现黑暗场景下的多视角合成任务时，把aleth-nerf模型的输入换为多图，输入相机坐标来学习已有视角，测试时能够直接输入其他相机坐标来输出未知视角。
[0090]
本技术提供的基于隐蔽场的无监督低光照增强方法，第一次将神经辐射场nerf用作无监督暗光图像增强任务以及黑暗场景下的多视角合成任务，且性能表现超过之前的无监督图像增强算法。
[0091]
另外，本技术提供的基于隐蔽场的无监督低光照增强方法，额外引入的无监督损失函数保障了aleth-nerf的训练稳定。
[0092]
本技术提供的基于隐蔽场的无监督低光照增强方法，相比于目前的无监督低光照增强算法在性能上更好，并且因为aleth-nerf可以学习到3d信息，因此相对于zero-dce等算法还可以完成多视角合成任务。与raw-nerf相比，本算法可以在rgb图像空间直接作用，不需要进行raw空间的处理，并且本算法无需任何后处理过程。
[0093]
实验验证
[0094]
如表1为采用本技术方法与现有无监督图像增强方法在暗光增强数据集lol上的增强效果比较。
[0095]
表1
[0096][0097]
其中，表格中数字展示的是图像评价指标psnr(越大越好)和ssim(越大越好)，最优的数字表示成红色，次优的数字表示成蓝色，可以看到aleth-nerf都能表现出很好的效果。
[0098]
如表2为采用本技术方法与现有最好的图像增强算法在lime、mef这两个数据集上的增强结果比较。
[0099]
表2
[0100][0101]
其中，niqe和unique(表中简写为un)是两种图像质量评估的指标，其中niqe数值越小越好，unique数值越大越好，可以看到aleth-nerf基本能够完成较好的表现。
[0102]
图4为本发明实施例提供的一种电子设备的结构示意图。如图4所示，示出了适于用来实现本技术实施例的电子设备400的结构示意图。
[0103]
如图4所示，电子设备400包括中央处理单元(cpu)401，其可以根据存储在只读存储器(rom)402中的程序或者从存储部分408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram 403中，还存储有设备400操作所需的各种程序和数据。cpu 401、rom 402以及ram 403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
[0104]
以下部件连接至i/o接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至i/o接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
[0105]
特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质
上的计算机程序，计算机程序包含用于执行上述基于隐蔽场的无监督低光照增强方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。
[0106]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0107]
描述于本技术实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
[0108]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、笔记本电脑、行动电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0109]
作为另一方面，本技术还提供了一种存储介质，该存储介质可以是上述实施例中前述装置中所包含的存储介质；也可以是单独存在，未装配入设备中的存储介质。存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本技术的基于隐蔽场的无监督低光照增强方法。
[0110]
存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0111]
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0112]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例
的部分说明即可。

技术特征：
1.一种基于隐蔽场的无监督低光照增强方法，其特征在于，所述方法包括：获取待增强的低光照图像的3d位置坐标和角度信息；将所述3d位置坐标和角度信息输入预先训练的aleth神经辐射场模型中，得到增强的正常光照图像；其中，训练所述aleth神经辐射场模型时基于隐蔽场进行体素渲染。2.根据权利要求1所述的方法，其特征在于，所述隐蔽场包括局部隐蔽场和全局隐蔽场，所述局部隐蔽场控制每个粒子的亮度，所述全局隐蔽场控制全局亮度。3.根据权利要求2所述的方法，其特征在于，训练所述aleth神经辐射场模型时基于隐蔽场进行体素渲染，包括：获取低光照训练图像的3d位置坐标和角度信息，并将所述低光照训练图像的3d位置坐标和角度信息处理为粒子对应的角度信息和坐标信息；所述粒子对应的角度信息和坐标信息分别输入第一多层感知机和第二多层感知机，得到每个粒子对应的密度、颜色和调整每个像素的局部隐蔽场；对所述每个粒子对应的密度、颜色、局部隐蔽场及所述全局隐蔽场进行体素渲染，得到渲染后低光照图片。4.根据权利要求3所述的方法，其特征在于，射线r渲染后低光照图片的色彩c(r)为：其中，r(i)为射线r上的第i个粒子；t(r(i))为射线r上第i个粒子受到的遮挡阻碍；σ(r(i))为射线r上第i个粒子的密度；δ为采样距离；c(r(i)，d)为射线r上第i个粒子的颜色；d为输入相机的角度信息；射线r上第i个粒子受到的遮挡阻碍t(r(i))采用基于隐蔽场的低光照场景的遮挡阻碍：其中，ω(r(j))为射线r上第j个粒子的局部隐蔽场；θ
g
(j)为第j个粒子的全局隐蔽场。5.根据权利要求1所述的方法，其特征在于，所述aleth神经辐射场模型的损失函数包括神经辐射场损失函数、色彩损失函数、控制损失函数、结构损失函数；通过调整所述损失函数的超参数和范围控制所述隐蔽场的数值。6.根据权利要求5所述的方法，其特征在于，所述色彩损失函数l
cc
为：其中，为预测的正常光照图像的色彩，r为射线，p和q分别为rgb三个通道中随机选取的两个通道。7.根据权利要求5所述的方法，其特征在于，所述控制损失函数l
con
为：其中，avgpool()为平均池化层，ω(r(i))为射线r上第i个粒子的局部隐蔽场，η为控制范围。
8.根据权利要求5所述的方法，其特征在于，所述结构损失函数l
st
为：其中，k为相邻像素之间的差值，为低光照图像的相邻像素范围与正常光照图像的相邻像素范围的比例关系，c
low
(r)为低光照图像，为预测的正常光照图像。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的基于隐蔽场的无监督低光照增强方法。10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的基于隐蔽场的无监督低光照增强方法。

技术总结
本申请提供一种基于隐蔽场的无监督低光照增强方法、设备及存储介质，该方法包括：获取待增强的低光照图像的3D位置坐标和角度信息；将3D位置坐标和角度信息输入预先训练的Aleth神经辐射场模型中，得到增强的正常光照图像；其中，训练Aleth神经辐射场模型时基于隐蔽场进行体素渲染。该方案对于低光照场景的增强效果较好。果较好。果较好。


技术研发人员：崔子藤 孙骁 谷林 乔宇
受保护的技术使用者：上海人工智能创新中心
技术研发日：2023.04.18
技术公布日：2023/7/20