【阅读】HVI: A New Color Space for Low-light Image Enhancement

这是一篇刚刚发表在CVPR2025的文章，其中很多内容很吸引我，感谢作者们的付出！

因为我也在努力学习中，理解水平和表达能力有限，如果有哪里有误，还希望大家轻喷，谢谢！
一些翻译靠的是机翻，可能不是很准，还请以原文为准，我会适当把原文贴出来。

概况

（1）低光增强，有监督，HVI域，已开源
（2）创新点：新的色彩空间（极化HS，可训练）；CIDNet
（3）在多个数据集上达sota，模型参数量小

链接

论文：[2502.20272] HVI: A New Color Space for Low-light Image Enhancement

早期论文：[2402.05809] You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement

代码：GitHub - Fediory/HVI-CIDNet: [CVPR2025] HVI: A New Color Space for Low-light Image Enhancement && "You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement"

知乎：https://zhuanlan.zhihu.com/p/27130836644

正文

动机

转自知乎翻译

HSV中存在问题：

（1）红色间断噪点：在HSV中，红色色调（Hue）在色环的两端（0°和360°）是同一个颜色，但算法处理时容易割裂，导致噪点。

（2）黑色平面噪点：低光区域的像素亮度极低，而HSV的变换过度放大这些黑暗区域，把噪声也过度放大，导致信噪比极低。

本文解决办法：

（1）极坐标化HS平面，让相邻的红色区域在数学上更连续，彻底消除断裂式噪点，确保颜色空间内相似色彩的欧氏距离最小化，提高红色区域内的信噪比。

（2）HVI引入了一个可学习的光强压缩函数（ Ck ），动态压缩低光区域强度，抑制噪声，同时保留高光细节，维持色彩空间级别的更高信噪比。

HVI：水平-垂直-强度

公式

HVI正变换：RGB转HSV再转HVI

“极坐标化”中的h和v，其实对应“HVI的HV”的H和V，作者在此处小写表示点，大写表示集合。
HV的计算公式其实不难理解，极化到[-1,1]的圆后，乘上其他系数缩放半径。

HVI逆变换：此处仅展示HVI转HSV

RGB与HSV会有一对多的问题，而RGB与HVI是双射关系。

网络

双分支解耦网络CIDNet（Color and Intensity Decoupling Network）

CIDNet中的轻量化交叉注意力模块LCA（Lighten Cross-Attention）

流程概述：低光图变换到HVI颜色空间，I输入I分支得到增强后的I，HVI输入HV分支得到去噪后的HV，I和HV再一起逆变换到sRGB。

官方细节说明：

HV分支：建模颜色不变性，分离噪声与真实纹理；

I分支：学习光照分布的物理约束，实现自适应亮度增强；

交叉注意力机制：通过跨分支特征交互，联合优化噪声抑制与光照恢复过程。

LCA的作用：

HV → I：HV分支提供噪声分布先验，指导I分支在低光区域抑制过增强；

I → HV：I分支提供光照强度权重，引导HV分支在暗区加强去噪，亮区保留细节。

作者还给出CDL和IEL（也就是去噪和提亮模块中的层）的设计原理：

实验

训练细节请参考原文，此处不再赘述，直接给出结果。

LOL数据集

定量：PSNR、SSIM、LPIPS领先于其他方法，参数量和计算量较小。

其实在24年版本，作者给出无GT mean版本，此处顺便展示一下：

定性：色彩恢复好，稳定的亮度增强。

其余实验和结果可参考CVPR版本的补充材料，太详细了（10+页），也不赘述。

补充扩展

HVI用于其他方法

更加复杂的版本（24年非CVPR的正文）

为了解决两大问题，分别的解决方式，简单来说：
在H基础上套一个线性函数，接着再套一个非线性函数。

感想

略

头一次在这里发论文阅读，不知道类型怎么填，感觉填原创怪怪的，填个翻译吧~