Bright-Channel Retinex Enhancement with a Conditional Overdispered-Noise Analysis

Technische Samenvatting: Bright-Channel Retinex Versterking met een Conditionele Overgedispergeerde Ruisanalyse

Probleemstelling
Het vastleggen van beelden onder omstandigheden met weinig licht is uitdagend vanwege fotontekort, wat signaalafhankelijke shotruis en sensorleesruis versterkt. Terwijl de Retinex-theorie een waargenomen beeld $I$ modelleert als het product van reflectie $R$ en illuminatie $L$ ($I = R \cdot L$), blijft het zonder supervisie moeilijk om $R$ te herstellen. Conventionele methoden (bijv. gamma-correctie, CLAHE, LIME) zijn gevoelig voor fouten in de schatting van de illuminatie en ruis na de deling. Daarentegen vereisen deep learning-benaderingen vaak uitgebreide gepaarde datasets en missen zij fysieke interpreteerbaarheid. De kernuitdaging die wordt aangepakt, is het schatten van de illuminatie en het herstellen van de reflectie op een training-vrije wijze, terwijl de heteroscedastische ruis die door de delingsoperatie wordt versterkt, wordt beheerd.

Methodologie: BRINEX
Het artikel stelt BRINX voor, een training-vrije methode die lokale bright-channel illuminatie-schatting, Retinex-deling en randbehoudende denoising combineert. De pijplijn bestaat uit drie hoofdfasen:

1. Illumination Estimation Map (IEM):
   In plaats van te vertrouwen op complexe atmosferische verstrooiingsmodellen, berekent de methode een lokale "Bright Channel" $J_{bright}(x)$ door de maximale pixelwaarde over de kleurkanalen binnen een venster van $15 \times 15$ te nemen. Deze lokale maximumwaarde dient als een proxy voor ontoereikende illuminatie. Een grove illuminatie-schatting $\hat{L}$ wordt afgeleid door $J_{bright}$ te schalen (factor $\omega=0.95$). Deze kaart wordt verfijnd met behulp van een guided filter met grayscale-geleiding. Om deling door nul te voorkomen, wordt een effectieve illuminatie $\tilde{L}$ gedefinieerd met een ondergrens ($\epsilon=0.05$).

2. Conditionele Overgedispergeerde Ruisanalyse & Reflectie-schatting:
   Het artikel introduceert een diagnostisch ruismodel gebaseerd op de Negatieve Binomiale (NB) verdeling om de ruis te karakteriseren die wordt versterkt tijdens de Retinex-deling.

   • Model: Pixelwaarden worden behandeld als pseudo-counts ($K = g \cdot I$, waarbij $g=255$). Onder een vaste illuminatie-schatting volgt de geschaalde reflectie een NB-verdeling.
   • Heteroscedasticiteit: De conditionele variantie van de reflectie-schatting wordt afgeleid als de som van een shot-noise term (omgekeerd evenredig met de illuminatie) en een extra dispersieterm. Dit verklaart waarom de ruis in donkere regio's na de deling significant toeneemt.
   • Schatting: De onbeperkte reflectieratio $\hat{R} = I/\tilde{L}$ wordt geïdentificeerd als de pixelwijze Maximum Likelihood Estimator (MLE) onder deze conditionele NB-likelihood. Voor observaties met een waarde van nul is de oplossing een grenswaarde ($R=0$). De implementatie past range clipping toe om geldige RGB-waarden te waarborgen.

3. Empirische Randbehoudende Denoising:
   In het besef van de ruimtelijk variërende variantie, gebruikt de methode een fixed-bandwidth bilateral filter als post-processor.

   • Hoewel de NB-analyse suggereert dat er sprake is van een heteroscedastisch gewogen kleinste-kwadratenprobleem, verduidelijkt de auteur dat de geïmplementeerde bilateral filter een empirische benadering is en geen exacte Bayesiaanse oplossing.
   • De filter gebruikt een ruimtelijke kernel ($\sigma_s = 75$) en een range kernel ($\sigma_c = 75$) om ruis in vlakke regio's te verzachten terwijl randen behouden blijven.
   • Cruciaal is dat de ruismodelparameters (specifiek de overdispersieparameter $r$) niet worden gebruikt om de filter af te stemmen; de filterparameters zijn vast over alle beelden.

Belangrijkste Bijdragen

• Training-vrije Pijplijn: Een volledige methode voor lage-licht versterking die geen gepaarde trainingsdata of modelleren vereist.
• Diagnostische Ruisanalyse: Een afleiding die aantoont hoe een conditioneel Negatief Binomiaal model de heteroscedastische ruis in het reflectiedomein karakteriseert na de illuminatie-deling. Dit biedt een theoretische rechtvaardiging voor de MLE-interpretatie van de eenvoudige delingsoperatie.
• Empirische Validatie van Denoising: Een ablatie-studie die aantoont dat een fixed-bandwidth bilateral filter beter presteert dan Gaussian smoothing, Non-Local Means (NLM) en Guided Filters op de Eval15 set, specifiek door een balans te vinden tussen ruisonderdrukking en randbehoud.
• Prestaties: De methode bereikt een hoge efficiëntie en verwerkt $400 \times 600$ beelden met ongeveer 43 FPS op een Apple M2 Pro CPU.

Resultaten
Geëvalueerd op de LOL-v1 dataset (specifiek de 15-beeld subset Eval15):

• Kwantitatieve Prestaties: BRINEX (met bilateral post-processing, aangeduid als Ours-B) bereikt een gemiddelde PSNR van 17.74 dB en SSIM van 0.739. Dit zijn de hoogste waarden onder de geëvalueerde conventionele (niet-deep-learning) methoden.
• Vergelijking: Het presteert beter dan andere training-vrije methoden zoals Gamma-correctie, CLAHE, NPE en LIME. Hoewel deep learning-methoden zoals Retinexformer een hogere PSNR bereiken (25.15 dB), blijft BRINEX competitief onder de niet-geleerde benaderingen.
• Ablatie-bevindingen:
  • Het toevoegen van Total Variation (TV) regularisatie aan de MLE-objectieve functie verminderde de PSNR vergeleken met de ruwe MLE.
  • Varianties-adaptieve versies van de bilateral filter (die probeerden de afgeleide ruismodel te gebruiken) verbeterden de prestaties niet ten opzichte van de fixed-bandwidth versie.
  • De Guided Filter degradeerde de PSNR, waarschijnlijk door het propageren van ruiscorrelaties vanuit het invoerbeeld.

Betekenis en Claims
Het artikel positioneert BRINEX als een robuust, interpreteerbaar alternatief voor data-gestuurde deep learning voor lage-licht versterking. De betekenis ligt in:

1. Fysieke Interpreteerbaarheid: De methode is geworteld in de Retinex-theorie en statistische ruismodellering (NB-verdeling), waardoor de "black box"-natuur van neurale netwerken wordt vermeden.
2. Diagnostisch Nut: Het NB-model wordt gepresenteerd als een diagnostisch hulpmiddel om de ruispropagatie te begrijen, in plaats van een gekalibreerd sensormodel dat de parameters van het algoritme aanstuurt.
3. Beperkte Omvang: De auteur stelt expliciet dat de methode beperkt is tot de Eval15 subset en dat de NB-analyse een conditioneel diagnostisch model is, en geen claim dat opgeslagen RGB-waarden fysieke foton-counts zijn. De vaste bilateral filter is een empirische keuze die goed werkt, in plaats van een theoretisch afgeleide optimale oplossing.

Concluderend demonstreert het artikel dat een zorgvuldig geconstrueerde conventionele pijplijn, ondersteund door een conditionele overgedispergeerde ruisanalyse, een state-of-the-art prestatie kan leveren onder de training-vrije methoden, terwijl de computationele efficiëntie hoog blijft.