论文阅读：Seeing in Extra Darkness Using a Deep-Red Flash

今天介绍的这篇文章是 2021 年 ICCV 的一篇 oral 文章，主要是为了解决极暗光下的成像问题，通过一个深红的闪光灯补光。实现了暗光下很好的成像效果，整篇文章基本没有任何公式，所用到的网络也比较简单，但最后成了一篇顶会的 Oral 文章，可能主要创新在于软硬件结合吧。

Abstract

本篇文章提出了一种新的闪光灯技术，利用一个深红波段的闪光灯进行补光，文章作者说，他们主要观察到在明亮环境下，人眼由视锥细胞主导成像感知，在暗光环境下，人眼主要由视杆细胞主导成像感知。人眼的视杆细胞对波长大于 620nm 的红外光谱并不敏感，然而相机 sensor 依然有感应。文章作者提出了一种新的调制策略，通过 CNN 网络实现图像引导的滤波，将一张有噪的 RGB 图像与一张闪光拍摄的图像进行融合。同时，文章将这个融合网络，进一步扩展到了视频重建，文章作者搭建了硬件原型，在不同的静态和动态场景都进行了验证，实验结果，证明这种新型闪光灯技术可以取得很好的成像效果，尤其是在暗光环境下。

Introduction

暗光成像是手机摄影中的一个重要特性，为了提升手机暗光成像的能力，现有的方法也做了多种尝试，从对 sensor 的改造，比如将 RGGB 的贝尔模式替换成了 RYYB 的贝尔模式，到后端算法的设计，比如利用多帧曝光技术。

基于闪光灯的摄影技术，同样也有非常悠久的历史，而且一般来说会获得更好的效果，尤其是在非常暗的环境下还有复杂运动的时候，这种时候，多帧融合的方式可能会存在配准对齐失效的问题。不过，闪光摄影技术也有一些弊端，一个是闪光灯发出的光随着距离的增加，衰减地很快，所以闪光灯一般能照射的有效距离不会太远；此外，闪光灯在闪光的一瞬间，对人眼会造成一个很强的炫目，在暗光环境下，这种强烈的闪光也会造成很不舒适的光污染，对暗视觉下的人眼系统造成损伤。如果利用不可见光波段比如近红外或者近紫外的闪光灯，可以一定程度上避免这个问题，不过目前的相机 sensor 一般对近红外或者近紫外没有光谱响应，需要进行定制化的设计。另外一个问题，RGB 域的图像与不可见光波段的图像域，由于物质对不同光谱的反射特性不一样的原因，可能存在一定的差异。这个对跨模态的图像配准与图像融合都存在一定的挑战。

1.1 Human Visual System

接下来，文章对人眼视觉系统做了分析，人眼的视网膜负责人眼对环境光的响应，视网膜上包含两种感光细胞，一种是视锥细胞，一种是视杆细胞，视锥细胞主要负责人眼对明亮环境以及颜色的感知，视锥细胞对 550nm 波长的光谱响应最强烈，视杆细胞主要负责人眼对暗光环境以及亮度的感知，视杆细胞对 500nm 波长的光谱响应最强烈，视杆细胞对长波长的光谱不敏感，视杆细胞对500nm 波长的光谱响应强度是对 650nm 波长的光谱响应强度的 3 倍。视锥细胞与视杆细胞的组合，形成了对中等光强环境的光谱响应。环境由明亮转为黑暗的时候，人眼需要一个更长的时间来适应，反过来，环境由暗转为明亮的时候，人眼的适应时间会更短。

1.2 Deep-Red Flash

文章作者接下来就提出用深红波段的闪光灯来实现暗光下的摄影，与常见的白光闪光灯比，可以感受到的光照强度会更低，对人眼的刺激会更小，而且夜晚视觉会也能够保存。与不可见波段的闪光灯技术相比，普通的相机 sensor 对深红波段是可以直接响应吸收的，不需要另外再对 sensor 定制，另外，深红波段也属于可见光范围内，与 RGB 图像可以更好地融合。

Camera and Flash Module

接下来，文章介绍了整个系统的硬件原型，从图中可以看到，一个可以发射深红波段的闪光灯放置在一个 Camear 旁边，LED 闪光灯通过信号触发，以便闪光灯与拍照能够同步。

Mesopic Flash Reconstruction

这一部分是文章的算法部分，首先文章分析了如何从深红闪光灯下的图像提取引导信息，文章中用到的 sensor，通过光谱响应分析测定，对于 660nm 波长的深红光谱来说，sensor 的红色通道的响应强度是绿色通道的 4 倍，是蓝色通道响应强度的 10 倍。一个直观的策略是直接用红色通道的信息作为引导信息，不过文章作者发现，这种方式可得到的动态范围比较窄，对于红色物体来说，可能很快就达到饱和了，而对于蓝色物体来说，却无法获得足够的能量强度。

为了分析不同物体对这种深红闪光灯的光谱响应，文章作者用 1269 Munsell 色卡进行分析，这个色卡基本可以代表大多数的自然物体，文章考虑了色卡上的每个色块在理想光照情况下对 660nm 的光谱响应，文章中使用一个恒定的光源，同时色块垂直光源发出的入射光线。最后的统计结果如下图所示：

上图左边的图表示的是，相比使用单个红色通道，使用三通道的信息，可以获得更大的动态范围。右边的图是一个统计直方图，表明 80% 的自然物体，对深红波段的光谱响应大于 0.1，说明深红波段有广泛的适用性。

接下来介绍图像融合，有了前面的大量铺垫，这个图像融合反而是比较简单的一种方法，文章中就是用了一个 UNet 来实现这个融合操作，文章中就是直接将没有闪光灯时的 RGB 图像与有闪光灯时的 RGB 图像连接在一起，然后送入一个 UNet 网络，实现整个的融合。

文章中，也介绍了如何对视频流进行操作，文章中提出了一种交叉采集图像，然后逐帧融合的方法，采集的时候，采集一帧有闪光的图像，然后再接一帧没有闪光的图像，这样交替地采集下去，为了实现时域的对齐，文章对 Flash-RGB 图像进行配准，因为常规的 RGB 图像噪声很大，很难配准对齐了。而 Flash-RGB 是通过深红闪光灯补光采集到的图像，所以图像的信噪比更好，更容易进行配准，通过 Flash-RGB 图像配准得到的位移向量场，文章中进行了拆分，一部分用于前一帧 Flash-RGB 图像的 warp，与当前帧的 No-Flash RGB 图像对齐融合，另外一部分用于当前帧的 No-Flash RGB 图像的 warp，与当前帧的 Flash-RGB 图像对齐融合，这样做，可以保证帧率不会减少。融合之后，还会再接一个时域平滑的网络，整体的算法框图如下所示：

Experiments

最后介绍一下实验部分，文章中在训练这个网络的时候，用的是仿真数据，文章中用的是 NYU v2 dataset，给定一张正常的 RGB 图像，通过给 RGB 图像加噪，来模拟暗光下的 RGB 图像，另外对 RGB 图像的三通道直接叠加，模拟深红闪光下的图像，不过为了更好的让网络学习如何利用这个引导信息，文章对模拟的深红图像进行了一个频率调制：

$$f(x,y)=\alpha \cdot \sin (\frac{2\pi }{T}\sqrt{(x-\bar{x}{)}^2+(y-\bar{y}{)}^2})+\beta$$

其中， x ∈ { 1 , 2 , . . . , W } x \in \{1, 2, ..., W \} x∈{1,2,...,W}, y ∈ { 1 , 2 , . . . , H } y \in \{1, 2, ..., H \} y∈{1,2,...,H}, $\alpha$ 是幅度，$\bar{x},\bar{y}$ 是相位偏移，$T$ 是周期， $\beta$ 表示垂直偏移。

最后是一些效果样例的展示：