HPGN: Hybrid Priors-Guided Network for Compressed Low-Light Image Enhancement

Resumen Técnico: HPGN para la Mejora de Imágenes Comprimidas de Baja Iluminación

Enunciado del Problema
En aplicaciones prácticas, las imágenes de baja iluminación se comprimen frecuentemente para reducir los costos de almacenamiento y transmisión. Sin embargo, esta compresión introduce artefactos (por ejemplo, bloqueo, desenfoque) que se suman a la degradación inherente de las condiciones de baja iluminación. Los métodos existentes de Mejora de Imágenes de Baja Iluminación (LLIE) suelen fallar al mitigar estos artefactos de compresión cuando se aplican directamente a entradas comprimidas. Además, los enfoques actuales para la Mejora de Imágenes de Baja Iluminación Comprimida (CLLIE) a menudo dependen de una estrategia de dos etapas: primero desbloquear la imagen y luego mejorar la iluminación. Este enfoque en cascada conduce a la acumulación de errores, aumenta la complejidad del modelo y genera costos significativos de tiempo de entrenamiento, ya que a menudo se requieren modelos separados para diferentes Factores de Calidad JPEG (QF). Además, muchos métodos existentes no utilizan explícitamente los metadatos de compresión (como QF o Matrices de Cuantificación) para guiar el proceso de mejora.

Metodología
Los autores proponen la Red Guiada por Priors Híbridos (HPGN), un marco de una sola etapa diseñado para mejorar conjuntamente imágenes de baja iluminación comprimidas a través de diversos niveles de compresión. La arquitectura consta de dos componentes principales:

1. Filtro de Información Híbrida (HIF): Este es un módulo plug-and-play que ajusta dinámicamente las características integrando tres tipos de priors:

   • Prior de Iluminación: Derivado de la imagen comprimida de entrada ($I_{comp}$) mediante un proceso de estimación global de brillo y extracción de características locales de iluminación.
   • Priors de Compresión:
     • Rama del Factor de Calidad (QF): Utiliza el QF para generar coeficientes de mapeo ($M_{qf1}, M_{qf2}$) que realizan una multiplicación canal a canal sobre las características de iluminación. Esto aborda los cambios en la correlación de canales y los desplazamientos de características causados por la cuantificación.
     • Rama de la Matriz de Cuantificación (QM): Utiliza la Matriz de Cuantificación DCT para generar coeficientes de mapeo espacial ($N_{qm}$). Estos se aplican mediante multiplicación elemento a elemento para modelar las distribuciones de características espaciales, amplificando la mejora en áreas clave (como texturas y bordes) y corrigiendo localmente regiones con degradación significativa por cuantificación.
   • El HIF combina estos priors para producir características refinadas que guían la mejora posterior.

2. Mejorador de Imágenes (IE): Un módulo basado en CNN compuesto por Bloques Residuales Recursivos Multi-escala (RMRB) apilados. Cada RMRB contiene Bloques Residuales Multi-escala (MRB) que emplean una arquitectura de rama multi-escala. Las características de entrada se submuestrean para capturar correlaciones en diferentes resoluciones, se procesan a través de Bloques de Contexto (CB) y se fusionan dinámicamente. Esta estructura tiene como objetivo manejar diversas escalas de distribución de luz mientras mantiene una baja complejidad.

Estrategia de Entrenamiento
Para permitir que un único modelo maneje imágenes con diversas calidades de compresión, los autores emplean una estrategia de generación aleatoria de QF durante el entrenamiento. En lugar de entrenar modelos separados para QF específicos, la red se entrena con imágenes comprimidas con QF generados aleatoriamente. Esto permite que el modelo aprenda una representación unificada para diversos niveles de compresión, reduciendo significativamente el tiempo de entrenamiento y los recursos computacionales en comparación con enfoques de múltiples modelos o de dos etapas.

Contribuciones Clave

• Marco de una sola etapa: Se propone HPGN como una red unificada de una sola etapa para la mejora de imágenes de baja iluminación comprimida, eliminando la necesidad de modelos en cascada de desbloqueo y mejora.
• Filtro de Información Híbrida (HIF): Un módulo novedoso que aprovecha los priors de compresión (QF y QM) junto con los priors de iluminación para mitigar la pérdida de información durante el ajuste de brillo. Los autores destacan su naturaleza "plug-and-play", lo que permite integrarlo en otros métodos LLIE.
• Entrenamiento con QF aleatorio: Una estrategia que permite que un único modelo mejore robustamente imágenes a través de diversos niveles de compresión, abordando los problemas de escalabilidad de métodos anteriores que requieren una optimización específica para cada QF.

Resultados Experimentales
El método se evaluó en cuatro conjuntos de datos: LOLv1, LOLv2-real, LOLv2-syn y un conjunto de datos personalizado LOLv1-randomQF.

• Rendimiento Cuantitativo: En el conjunto de datos LOLv1-randomQF, HPGN logró un rendimiento de vanguardia, superando al segundo mejor enfoque (CAPformer) en hasta 0.21 dB en PSNR y obteniendo puntuaciones SSIM más altas.
• Eficiencia: HPGN demuestra una eficiencia superior, requiriendo solo 2.69M de parámetros, lo que representa aproximadamente el 30.7% de los parámetros utilizados por CAPformer (8.77M).
• Escalabilidad: Los estudios de ablación y las pruebas de integración (Tabla 2) muestran que añadir el módulo HIF a marcos LLIE existentes (MIRNetv2 y Retinexformer) mejora significativamente su rendimiento en tareas conjuntas con un aumento mínimo de parámetros.
• Calidad Visual: Las comparaciones cualitativas indican que HPGN produce resultados visuales superiores con menos ruido y menos artefactos de compresión en comparación tanto con los métodos LLIE estándar como con los enfoques en cascada de dos etapas.

Significado y Afirmaciones
El artículo afirma que HPGN aborda la brecha crítica en el manejo de imágenes de baja iluminación comprimida al unificar la eliminación de artefactos de compresión y la mejora de la iluminación en una sola etapa eficiente. Al utilizar explícitamente los metadatos de compresión (QF y QM) como guía, el método se adapta a diversos niveles de compresión sin necesidad de reentrenamiento. Los autores posicionan a HPGN como una solución versátil que no solo supera a los métodos SOTA existentes en precisión, sino que también ofrece un marco más eficiente computacionalmente y flexible para aplicaciones del mundo real donde los niveles de compresión de imágenes varían. El artículo señala que, aunque el enfoque actual se centra en JPEG, el concepto central de utilizar metadatos de compresión para guiar la mejora es extensible a otros estándares, aunque se requerirían adaptaciones específicas para escenarios no JPEG o de compresión extrema.