Proyecto de investigación para la materia Redes Neuronales enfocado en mejorar la calidad visual de imágenes capturadas en condiciones de baja iluminación usando redes neuronales profundas.
Dataset: LOL-v1 + LOL-v2-real (1174 pares) — split 80/10/10 (seed 42): train=939, val=117, test=118.
App desplegada: (pendiente — agregar URL de Streamlit Cloud)
- Nicolás Bustelo
- Juan Pablo Masuet
- Manuel Vazquez
- Mauricio Miranda
El usuario sube una foto oscura y la app devuelve una versión más clara usando Zero-DCE-FT++, el modelo ganador del proyecto (mejor PSNR en test). El código de producción está en prod/: app.py (interfaz Streamlit) + utils.py (modelo e inferencia). Los pesos finales (~0.45 MB) están versionados en dev/modelo.pth.
git clone https://github.com/jeanpaulmst/LowLight-Enhancement.git
cd LowLight-Enhancement
pip install -r prod/requirements.txt
streamlit run prod/app.py- LOL-v1: https://www.kaggle.com/datasets/soumikrakshit/lol-dataset
- LOL-v2-real: https://huggingface.co/datasets/okhater/lolv2-real
Detalles de descarga y estructura en data/README.md.
Fine-tuning adversarial de RetinexNet con un critic (discriminador) PatchGAN y Gradient Penalty (WGAN-GP).
La imagen oscura se descompone en Reflectance (R) e Illumination (I) via DecomNet. RelightNet realza la iluminación produciendo I_delta, y la salida final es R × I_delta. Un crítico PatchGAN guía al generador con loss WGAN-GP + reconstrucción L1. Los pesos base se cargan desde el repositorio aasharma90/RetinexNet_PyTorch.
- Parámetros generador: 555k | Crítico: 2.76M
- Entrenamiento: 50 épocas, batch=8, N_CRITIC=5, GP_LAMBDA=10, L1_WEIGHT=1.0, ADV_WEIGHT=0.01, lr=1e-4 (Adam, betas=(0.5, 0.9))
- Resultados (test): PSNR = 17.12 dB | SSIM = 0.6323
Extensión de RetinexNet que reemplaza el BM3D clásico del paper original con una DenoiseNet entrenable end-to-end (DnCNN residual liviana), permitiendo que el modelo aprenda la distribución de ruido real del dataset.
Tres sub-redes entrenadas conjuntamente: DecomNet (207k) + EnhanceNet con skip connections (237k) + DenoiseNet (225k). La loss combina reconstrucción L1, consistencia de reflectancia, suavidad de iluminación structure-aware, pérdida perceptual VGG16, (1−SSIM) y consistencia de color (coseno RGB por píxel).
- Parámetros totales: 670k
- Entrenamiento: 50 épocas, batch=8 (patches 128²), lr=2e-4 (Adam), warmup lineal 5 épocas → CosineAnnealingLR
- Resultados (test): PSNR = 16.93 dB | SSIM = 0.8124
Fine-tuning de Zero-DCE (estimación de curvas de iluminación sin ground truth) con 4 mejoras sobre la versión base: pérdida perceptual VGG16, MiniDenoiser DnCNN entrenable, EMA de pesos (β=0.999) y Test-Time Augmentation D4 (8 transformaciones geométricas).
La imagen oscura entra a DCE-Net (79k params) que estima 8 mapas de curvas de iluminación (LE). La salida pasa por el MiniDenoiser (30k params) para eliminar artefactos. Los pesos de DCE-Net se inicializan desde el checkpoint oficial (Epoch99.pth); el MiniDenoiser se entrena desde cero. El modelo se evalúa sobre la copia EMA durante el entrenamiento y con TTA en test.
- Parámetros totales: 109k
- Entrenamiento: lr adaptativo por grupos (DCE=5e-5, Denoiser=5e-4), weight_decay=1e-4, grad_clip=1.0, CosineAnnealingLR, EMA β=0.999
- Loss: L1 + 0.5·(1−SSIM) + 0.1·VGG_perceptual + 0.1·L_zdce (regularización no-referencial)
- Resultados (test, con TTA): PSNR = 18.03 dB | SSIM = 0.733 | LPIPS = 0.283
Todos los modelos están evaluados sobre el conjunto de test.
| Modelo | Conjunto | PSNR (dB) | SSIM |
|---|---|---|---|
| RetinexNet base (preentrenado) | test | 15.81 | 0.5278 |
| RetinexNet + WGAN-GP | test | 17.12 | 0.6323 |
| RetinexNet + Denoise-Net e2e | test | 16.93 | 0.8124 |
| Zero-DCE-FT++ (con TTA) | test | 18.03 | 0.733 |
Notas sobre los resultados:
- Zero-DCE-FT++ obtiene el mejor PSNR (18.03 dB).
- RetinexNet + Denoise-Net obtiene el mejor SSIM (0.8124), lo que indica mayor similitud estructural percibida.
- RetinexNet + WGAN-GP mejora +1.31 dB y +0.1045 SSIM respecto al modelo base sobre el mismo conjunto de test.