BOB_BOB_BOB_的博客

本文提出了一种针对极低光照（0.0001-0.1 lux）条件下图像增强的新方法。主要贡献包括：1）构建了SIED数据集，通过"配对到配对"合成管线生成精确校准的极暗RAW图像及其sRGB参考；2）设计了基于扩散模型的多阶段增强框架，包含自适应光照校正模块（AICM）和色彩一致性损失，有效解决了亮度提升、噪声抑制和色彩还原等关键问题。该方法在极低光照条件下显著优于现有技术，为暗光视觉任务提供了重要基准。

本文提出了一种基于Transformer的RGB-热成像跨模态注意力网络（RT-X Net），用于低光照图像增强。该方法通过引入跨模态注意力机制，有效融合RGB和热成像数据，提升低光照条件下的图像质量。代码实现包含权重初始化、基础神经网络模块（如预处理层、GELU激活函数）以及光照估计器等组件，采用预归一化和截断正态分布初始化策略确保训练稳定性。该网络结构参考Retinexformer设计，在特征提取和跨模态融合方面进行了优化，相关代码已开源。

本文提出RT-X Net，一种基于跨注意力机制的双分支Transformer网络，用于低光照图像增强。该方法融合RGB与热成像信息，包含四个关键步骤：1) 基于Retinex理论的光照引导分解，通过光照估计器生成光照图和特征；2) 自注意力特征提取，利用光照特征重加权注意力值；3) RGB-热成像跨模态融合，采用非对称跨注意力机制实现信息互补；4) 增强图像重建，通过MLP头和MAE损失函数生成最终结果。该方法能有效利用热成像的结构信息弥补RGB图像在低光条件下的细节丢失，显著提升图像质量。

本文介绍了一种基于结构先验引导Transformer的低光照图像增强方法（SGTB），该方法在NTIRE 2025挑战赛中排名第二。该方法创新性地复用Retinexformer的IGAB模块作为核心SGTB，但摒弃了传统的光照引导机制，转而设计了一套全新的结构先验提取机制，通过交叉注意力(SGCA)指导增强过程，有效保持图像细节。网络架构采用ESDNet的U-Net骨架，结合DRDB和SAM模块，并通过深度卷积等操作估计光照分量。该方法在保持高效性的同时，显著提升了低光照场景下的图像增强效果。

本文提出了一种结构引导的低光图像增强方法SG-LLIE，采用多尺度CNN-Transformer混合框架。该方法首先通过颜色不变卷积提取鲁棒的结构先验，随后在U-Net架构中嵌入混合结构引导特征提取器（HSGFE），包含结构引导Transformer块（SGTB）和尺度感知模块（SAM）。关键创新在于将结构先验注入交叉注意力机制，并实现多尺度特征融合。该方法在NTIRE 2025低光增强挑战赛中排名第二，有效解决了复杂光照条件下的细节保持问题。

本文提出了一种基于小波变换的扩散模型（DiffLL）用于低光图像增强。该框架创新性地将扩散模型与小波变换结合，在低频小波系数上执行计算密集的扩散过程，显著降低了计算负担。DiffLL包含三个关键模块：1）离散小波变换分解图像并聚焦低频信息；2）基于小波的条件扩散模型（WCDM）采用新的训练策略确保内容一致性；3）高频恢复模块（HFRM）通过交叉注意力和渐进空洞卷积恢复细节。实验表明该方法在保持图像质量的同时提高了效率，解决了传统扩散模型计算量大和输出不一致的问题。

【ECCV 2022】本文参考论文DarkIR: Robust Low-Light Image Restoration论文地址：[arxiv](https://arxiv.org/abs/2412.13443)源码地址：[github](https://github.com/cidautai/darkir) colab调试地址：稍后更新......由于本文属于是LEDnet的进化版本，关于LED-net详见前文：[【ECCV 2022】低光增强LEDNet论文精读与源码复现---part1论文精读

本文提出KAN-T模型，一种基于Kolmogorov-Arnold表示定理改进的Transformer网络，用于低光图像增强(LLIE)。模型采用3级编码器-解码器结构，核心创新是KAN-MSA注意力机制：将多通道特征分解为单变量处理，通过可学习非线性函数捕获细粒度特征，再合并生成QKV矩阵。实验表明，该方法在保持结构相似性和感知质量方面优于传统方法。代码实现采用PyTorch框架，包含形状追踪模块验证数据流正确性。复合损失函数结合MAE、MS-SSIM和感知损失，平衡像素精度与高阶特征保持。

【CVPR 2025】本文参考论文HVI: A New Color Space for Low-light Image Enhancementpart1 在文章中对论文核心网络与原理展开详细解释part2 对论文公开代码的arch网络与其他核心部分展开详细解释

本文提出了一种轻量级Transformer模型LYT-Net，用于低光照图像增强(LLIE)。该模型采用双路径YUV色彩空间处理策略，分别优化亮度(Y)和色度(UV)通道。核心创新包括通道级去噪器(CWD)模块和多阶段压缩与激励融合(MSEF)模块，结合多头自注意力机制(MHSA)。LYT-Net在LOL系列数据集上实现了最优性能(PSNR 27.23dB)，仅需3.49G FLOPS和0.045M参数量。消融研究表明，CWD模块对色度通道去噪效果显著，而MSEF模块能有效提升性能。该模型在保持计算效率的同

本文分析了LYT-Net模型的损失函数和架构设计。损失函数部分整合了VGG感知损失、颜色损失、PSNR损失等6种损失，通过加权组合优化模型，但代码实现与论文描述的权重分配存在差异。模型架构采用YUV色彩空间处理，核心模块包括MSEFBlock（多阶段压缩激励融合）和Denoiser（通道级去噪器）。亮度通道使用多头自注意力机制增强，色度通道通过去噪器处理，最终融合输出。代码实现与论文描述基本一致，但在MSEF模块细节上存在微小差异。该设计实现了轻量级Transformer网络在低光图像增强任务中的应用。

【ECCV 2022】本文参考论文DarkIR: Robust Low-Light Image Restoration论文地址：[arxiv](https://arxiv.org/abs/2412.13443)源码地址：[github](https://github.com/cidautai/darkir) colab调试地址：稍后更新......由于本文属于是LEDnet的进化版本，关于LED-net详见前文：[【ECCV 2022】低光增强LEDNet论文精读与源码复现---part1论文精读

【ECCV 2024】Retinexformer 网络结构解析与代码解析本文分析2024 NTIRE 低光增强亚军开源论文与代码part1 论文分析

【ECCV 2024】Retinexformer 网络结构解析与代码解析本文分析2024 NTIRE 低光增强亚军开源代码解析part2 代码分析

【AAAI2023】本文参考论文Ultra-High-Definition Low-Light Image Enhancement: A Benchmark andcolab调试地址：稍后更新…

本文介绍了AAAI2023会议上的一篇论文，提出了一种基于Transformer的超高清低光图像增强方法。该方法通过引入轴向多头自注意力机制（A-MSA），降低了高分辨率图像中自注意力的计算复杂度。代码实现中，首先导入了必要的PyTorch库和einops用于张量操作。随后定义了层归一化模块，包括无偏置和有偏置的层归一化实现，以及一个包装类根据参数选择不同的归一化方式。接着，实现了轴向多头自注意力机制，通过分别在行和列上计算注意力，显著减少了计算量。该方法通过结合局部和全局信息，有效提升了低光图像的质量，同

【CVPR 2025】本文参考论文HVI: A New Color Space for Low-light Image Enhancementpart1 在文章中对论文核心网络与原理展开详细解释part2 对论文公开代码的arch网络与其他核心部分展开详细解释

【ECCV 2022】本文参考论文DarkIR: Robust Low-Light Image Restoration论文地址：[arxiv](https://arxiv.org/abs/2412.13443)源码地址：[github](https://github.com/cidautai/darkir) colab调试地址：稍后更新......由于本文属于是LEDnet的进化版本，关于LED-net详见前文：[【ECCV 2022】低光增强LEDNet论文精读与源码复现---part1论文精读

【ECCV 2022】本文参考论文LEDNet: Joint Low-light Enhancement and Deblurring in the Darkpart1 在文章中对论文核心网络与原理展开详细解释part2 对论文公开代码的arch网络与其他核心部分展开详细解释

【ACM MM2024】本文参考论文本文参考论文Brighten-and-Colorize: A Decoupled Network for Customized Low-Light Image Enhancementpart1 在文章中对论文核心网络与原理展开详细解释part2 对论文公开代码的arch网络与其他核心部分展开详细解释

【ECCV 2022】本文参考论文LEDNet: Joint Low-light Enhancement and Deblurring in the Darkpart1 在文章中对论文核心网络与原理展开详细解释part2 对论文公开代码的arch网络与其他核心部分展开详细解释

【ECCV 2022】本文参考论文DarkIR: Robust Low-Light Image Restoration论文地址：[arxiv](https://arxiv.org/abs/2412.13443)源码地址：[github](https://github.com/cidautai/darkir) colab调试地址：稍后更新......由于本文属于是LEDnet的进化版本，关于LED-net详见前文：[【ECCV 2022】低光增强LEDNet论文精读与源码复现---part1论文精读