从论文到代码：手把手复现CVPR2023低光增强算法Retinexformer

从论文到代码：手把手复现CVPR2023低光增强算法Retinexformer

低光图像增强一直是计算机视觉领域的热门研究方向，尤其在监控、医疗影像和自动驾驶等场景中具有重要应用价值。2023年CVPR会议上提出的Retinexformer算法，通过将Retinex理论与Transformer架构创新性结合，在13个基准数据集上取得了SOTA性能。本文将深入解析该算法的核心思想，并提供完整的代码复现指南。

1. Retinexformer算法原理剖析

Retinexformer的核心创新在于提出了单阶段Retinex框架(ORF)和光照引导的Transformer(IGT)。传统基于Retinex理论的方法通常需要多阶段训练流程，分别处理光照估计、反射图恢复等任务，而Retinexformer通过端到端的方式简化了这一过程。

算法框架主要包含两个关键组件：

1. 光照估计器(Illumination Estimator)：负责从低光图像中提取光照先验
2. 退化修复器(Corruption Restorer)：基于光照先验修复图像中的噪声和伪影

与传统方法不同，Retinexformer考虑了低光图像中存在的退化因素，将Retinex模型重新表述为：

I = R ∘ L + C

其中C代表噪声、伪影等退化项。这种建模方式更符合真实低光场景的成像特性。

光照引导的Transformer(IGT)采用U-Net结构，其核心是光照引导的多头自注意力机制(IG-MSA)。下表对比了IG-MSA与标准MSA的计算复杂度：

注意力机制	计算复杂度	空间关系建模
标准MSA	O(n²)	全局
IG-MSA