低光增强LLIE
文章平均质量分 96
最近的项目在研究弱光、低照度、夜间感知增强与解决方法,本文总结了CVPR、ICCV、ECCV、IEEE等等近三年会议中的LLIE论文,可作为学习、研究低照度图像增强的参考资料。
文章一般都分为两部分,part1为论文精读,part2为代码详解
BOB_BOB_BOB_
这个作者很懒,什么都没留下…
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
【ICCV 2025】低光增强 Learning to See in the Extremely Dark( 基于扩散模型)--part1论文精读
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。原创 2025-07-25 11:24:10 · 1210 阅读 · 0 评论 -
【CVPR 2025】低光增强RT-X Net( 红外辅助结构引导)--part2代码讲解
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。原创 2025-07-22 14:36:35 · 1065 阅读 · 0 评论 -
【CVPR 2025】低光增强RT-X Net( 红外辅助结构引导)--part1论文精读
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。原创 2025-07-22 14:20:05 · 1237 阅读 · 0 评论 -
【CVPR 2025】低光增强SG-LLIE(ranks second in NTIRE 2025)--part2代码详解
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。原创 2025-05-28 14:14:08 · 1129 阅读 · 0 评论 -
【CVPR 2025】低光增强SG-LLIE(ranks second in NTIRE 2025)--part1论文精读
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。原创 2025-05-28 11:53:01 · 1337 阅读 · 0 评论 -
【Siggraph Asia 2023】低光增强Diffusion-Low-Light-main(引入diffusion与DWT) -- part1论文精读
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。原创 2025-05-25 17:40:13 · 1329 阅读 · 0 评论 -
【ECCV 2024】低光增强GLARE论文分析与代码详解--part1 论文解读
【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论文精读原创 2025-05-15 12:36:41 · 1256 阅读 · 0 评论 -
【IEEE 2025】低光增强KANT(使用KAN代替MLP)----论文详解与代码解析
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。原创 2025-05-24 17:28:38 · 2445 阅读 · 0 评论 -
【CVPR 2025】低光增强HVI论文精读与源码复现---part1 论文网络精读
【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原创 2025-05-12 10:46:42 · 2938 阅读 · 1 评论 -
【SPL 2025】低光增强LYT-NET( YUV Transformer-based Network)--Step1论文精读
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原创 2025-05-23 23:11:49 · 1241 阅读 · 0 评论 -
【SPL 2025】低光增强LYT-NET( YUV Transformer-based Network)--Step2代码解析
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。原创 2025-05-23 23:39:08 · 605 阅读 · 0 评论 -
【CVPR2023】 低光增强SMG-LLIE(基于结构先验的图像增强)--part1 论文精读
【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论文精读原创 2025-05-16 16:43:22 · 1052 阅读 · 0 评论 -
【ECCV 2024】低光增强论文Retinexformer论文解读与源码解析---part1 网络结构解析
【ECCV 2024】Retinexformer 网络结构解析与代码解析本文分析2024 NTIRE 低光增强亚军开源论文与代码part1 论文分析原创 2025-05-11 17:26:01 · 1363 阅读 · 0 评论 -
【ECCV 2024】低光增强Retinexformer论文精读与源码解析---part2 源码解析(结合网络结构)
【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 代码分析原创 2025-05-11 17:51:13 · 1231 阅读 · 0 评论 -
【AAAI 2023】 低光增强Ultra-High-Definition Low-Light Image Enhancement (LLFormer):--part1 论文精读
【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…原创 2025-05-22 20:44:04 · 821 阅读 · 0 评论 -
【AAAI 2023】 低光增强Ultra-High-Definition Low-Light Image Enhancement (LLFormer):--part2 代码解析
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,同原创 2025-05-22 22:43:42 · 1202 阅读 · 0 评论 -
【CVPR 2025】低光增强HVI论文精读与源码复现---part2 源码复现(核心arch)
【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原创 2025-05-12 11:04:34 · 1546 阅读 · 0 评论 -
【CVPR 2025】 低光增强DarkIR(升级版LED-net)--part2 代码解读
【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论文精读原创 2025-05-14 22:08:38 · 1579 阅读 · 0 评论 -
【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原创 2025-05-13 16:30:39 · 1333 阅读 · 0 评论 -
【ACM MM2024】自定义风格低光增强Brighten-and-Colorize论文精读与源码复现---part1/part2
【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原创 2025-05-13 14:40:39 · 1048 阅读 · 0 评论 -
【ECCV 2022】低光增强LEDNet论文精读与源码复现---part2源码精读
【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原创 2025-05-13 23:08:23 · 1389 阅读 · 0 评论 -
【CVPR 2025】 低光增强DarkIR(升级版LED-net)--part1 论文精读
【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论文精读原创 2025-05-14 16:48:37 · 3444 阅读 · 0 评论
分享