PixelMind的博客

该论文针对低光环境下目标检测因图像质量退化（噪声放大、对比度降低）面临的挑战，提出轻量级自适应性 ISP 插件 Dark-ISP。该方案以 Bayer RAW 图像为处理对象，核心创新在于：将传统 ISP 流程拆解为 “动态线性组件”（结合局部 - 全局注意力，实现物理先验与内容感知的线性转换）与 “物理可解释非线性组件”（基于非凸多项式基，实现暗区拉伸与亮区压缩），并通过 Self-Boost 正则化模块构建两组件的反馈闭环，确保协同优化。

本文介绍了一种基于成对低光图像学习的无监督增强方法PairLIE。该方法通过利用同场景不同光照条件的成对图像来自适应学习先验知识，减少了对人工先验的依赖。核心代码包含三个网络模块：N_net完成降噪恒等映射，R_net和L_net分别预测反射图和光照图。训练时从多曝光数据集中随机选取两个不同曝光图像进行处理，并计算R正则损失和Retinex损失。推理阶段通过对光照图进行gamma增强后与反射图结合得到最终增强结果。该方法结构简洁，通过成对图像优化实现更自然的低光增强效果。

本文提出一种无监督低光图像增强方法PairLIE，通过利用成对低光图像学习自适应先验，减少对人工设计先验的依赖。基于Retinex理论，PairLIE采用轻量级网络结构（P-Net、L-Net、R-Net）实现图像分解，结合投影损失、反射率一致性损失和Retinex损失优化训练。实验表明，该方法在多项指标上超越主流无监督方法，性能接近有监督方法，并具有出色的噪声抑制和细节保持能力。PairLIE为低光增强提供了一种简单高效的无监督解决方案。

本文提出一种可解释的无监督联合去噪与低光增强方法（ICLR 2025），针对真实场景中低光图像存在的噪声、过曝和光照不均等复杂退化问题。基于Retinex理论和物理成像过程，该方法通过邻域像素掩蔽生成自监督训练对，并利用离散余弦变换(DCT)进行频域分解以分离复杂退化模式。核心框架包含FIcoder退化表征提取、Decompose-Net分量分解和LCnet自适应光照校正模块，实现了端到端联合优化。在LOLv2等数据集上的实验表明，该方法PSNR达20.22、SSIM达0.793，显著优于现有无监督方法，能

本文提出了一种基于局部色调曲线网格（LTMNet）的图像增强方法，通过CNN预测空间自适应色调曲线，实现对图像的局部精准增强。该方法结合双线性插值确保平滑过渡，并引入单调性和高光保留约束以保证自然效果。相较于全局变换和端到端像素级方法，LTMNet在增强效果、可解释性和部署效率上取得更好平衡。此外，作者构建了专门的LTM数据集，采用CLAHE结合NIMA自动筛选优化参数，为局部色调映射研究提供了更纯净的数据基准。实验表明，该方法能有效提升暗区亮度并增强亮区对比度，同时避免了光晕伪影和过增强问题。

本文提出了一种低光图像增强方法IAGC，通过融合光照感知伽马校正与完整图像建模网络，有效解决现有方法难以处理大面积暗区域的问题。IAGC采用三阶段增强流程：首先通过全局伽马校正进行粗增强，再利用COMO-ViT建模全像素依赖实现细节增强与降噪，最后通过局部伽马校正微调光照分布。核心创新包括：1）光照感知伽马校正模块（GGCM/LGCM）实现从全局到局部的自适应亮度调整；2）COMO-ViT结合局部-全局注意力机制，完整建模像素依赖关系。实验表明该方法在保持自然视觉效果的同时，显著提升了暗区细节恢复能力。

本文解读了SCI自校准光照学习框架的代码实现，该框架解决了低光图像增强领域现有方法的局限性。SCI采用"训练多模块、推理单块"的两阶段设计：训练阶段通过级联光照学习模块和自校准模块提升基础块表征能力，推理阶段仅使用单个基础块（3个3×3卷积+ReLU）实现高效增强。代码结构包含数据加载、损失函数、模型等核心模块，其中数据加载支持全尺寸输入，损失函数结合了保真度和平滑性约束。该框架在保持计算效率的同时，显著提升了低光增强的视觉质量和场景适应性。

本文提出自校准光照学习框架SCI，用于高效低光图像增强。SCI采用权重共享级联光照学习和自校准模块，在训练阶段通过多阶段优化提升性能，而推理时仅需单个轻量级基础块（3个3×3卷积），显著降低计算成本（模型大小0.0003M、FLOPs 0.0619G）。该方法具有操作不敏感性和模型无关性，在MIT数据集上取得PSNR 20.4459、SSIM 0.8934的SOTA效果，并在低光人脸检测（DARK FACE mAP 0.663）和夜间语义分割（ACDC mIoU 46.3）任务中展现优异泛化能力。SCI通过

本文提出了一种GT-Mean Loss方法，用于解决低光图像增强（LLIE）中的亮度失配问题。该方法通过动态平衡原始损失项和亮度对齐损失项，有效消除了增强图像与真值图像之间的亮度差异。核心公式采用亮度均值高斯分布建模和巴氏距离计算权重W，实现端到端训练。实验表明，该方法在保持模型性能的同时显著提升了视觉质量，计算高效且兼容现有损失函数。相关代码已开源，为解决LLIE中的亮度失配问题提供了简单有效的解决方案。

本文介绍了一种轻量级Transformer网络LYT-NET，用于低光照图像增强。该模型采用YUV色彩空间分离处理亮度(Y)和色度(U,V)通道，结合创新的通道降噪模块(CWD)和多阶段挤压融合模块(MSEF)，在保持低计算复杂度的同时实现高效增强。

本文介绍了一种面向极低光环境（0.0001-0.1 lux）的视觉增强新方法SIED。研究团队通过创新的数据合成方案，构建了首个涵盖超低照度范围的大规模数据集SIED。

本文提出了一种语义感知知识引导框架（SKF）用于低光照图像增强（LLIE），通过引入语义先验解决传统方法忽略区域差异导致颜色偏差的问题。SKF包含三大核心组件：1）语义感知嵌入（SE）模块，通过跨模态注意力机制融合语义与图像特征；2）语义引导直方图（SCH）损失，基于语义分块保留局部颜色一致性；3）语义引导对抗（SA）损失，提升纹理自然度。实验表明，SKF可适配多种LLIE模型，显著提升PSNR/SSIM指标。该工作为LLIE领域提供了语义感知增强的新思路，代码已开源。

本文介绍了一种新型低光照图像增强方法SAIGFormer，通过空间自适应光照引导Transformer解决非均匀光照场景下的过曝光或亮度不足问题。该方法提出动态积分图像技术（SAI²E）自适应估计光照分布，并结合光照引导自注意力机制（IG-MSA）实现精准增强。

本文提出贝叶斯增强模型（BEM），利用贝叶斯神经网络（BNN）解决低光/水下图像增强中的一对多映射问题。传统确定性模型难以生成多样化输出，而BEM通过权重采样和动态动量先验（EMA更新）捕获数据不确定性，支持灵活推理策略（如蒙特卡洛平均或基于CLIP-IQA的排序选择）。两阶段框架（BNN粗解+DNN细化）兼顾多样性与实时性。

该论文聚焦零样本昼夜域适应问题，提出了一种基于物理先验的解决方案。通过引入基于Kubelka-Munk反射模型的颜色不变特征，设计了可训练的Color Invariant Convolution（CIConv）层，将其作为CNN的输入层，以减少光照变化导致的特征分布偏移。

本文提出一种通道选择性归一化方法（CSNorm）用于提升低光图像增强（LLIE）任务的泛化能力。CSNorm通过引入可微门控模块，在实例归一化基础上实现通道选择性处理，仅对亮度相关通道进行归一化以保留关键信息。同时设计交替训练策略，通过亮度扰动迫使网络识别亮度相关通道，在原始图像和扰动图像上交替优化，平衡泛化性与重建精度。

本文提出一种利用预训练模型先验增强图像恢复性能的新方法PTG。该方法通过轻量级的预训练引导细化模块（PTG-RM），整合预训练模型（如CLIP、Stable Diffusion）提取的特征先验，提升低光增强等图像恢复任务的性能。

本文解读了EnlightenGAN无监督低照度图像增强的代码实现。EnlightenGAN采用全局-局部判别器、自正则化感知损失和注意力引导U-Net生成器，无需配对数据即可增强暗光图像。

EnlightenGAN（2021）提出了一种无监督学习的低光照图像增强方法，无需配对数据即可训练。该模型通过全局-局部判别器结构（结合相对判别器与LSGAN损失）优化整体光照与局部细节，避免过曝/欠曝；引入自正则化感知损失（基于VGG特征约束输入与输出的内容一致性）；并采用注意力机制指导网络重点增强暗区。

本文提出了一种创新的并行集成方法，通过线性融合三种互补模型（ESDNet、Retinexformer和CIDNet）来提升低光增强效果。该框架基于希尔伯特空间理论，证明当模型映射近似正交时，线性组合能最大化覆盖目标域。该方法在NTIRE2025挑战赛中夺冠，为低光增强提供了高效、稳定的解决方案。

本文提出了一种基于生成感知先验（GPP-LLIE）的低光照图像增强方法，利用视觉语言模型（VLM）提取全局和局部感知先验指导增强过程。

本文解读了NTIRE 2025低照度图像增强第二名方案SG-LLIE的代码实现。该方案采用U-Net架构，通过混合结构引导特征提取器（HSGFE）模块在编码器-解码器各层级融合多尺度特征。

本文提出SG-LLIE，一种基于结构先验引导的CNN-Transformer混合框架，用于低光照图像增强。该方法在NTIRE 2025挑战赛中取得第二名的排名。

本文章是RetinexFormer代码解读。

本文是CLIP-LIT技术的代码讲解。

本文提出了一种基于事件相机的低光图像增强方法 RETINEV，通过利用事件相机的时间映射事件估计光照信息，并结合 Retinex 理论实现了对低光图像的高效增强。

Retinexformer通过结合Retinex分解和Transformer架构，有效提升了低光照图像的质量，同时保留了图像的细节信息并抑制了噪声和伪影的放大。

GLARE 方法的核心思想是利用编码本中的潜在特征来指导低光照图像的增强过程。具体来说，该方法首先将输入的低光照图像分解为多个潜在特征，这些潜在特征能够捕捉图像的不同属性，如亮度、颜色、纹理等。然后，通过检索与之匹配的高质量潜在特征，将这些高质量潜在特征与原始低光照图像特征进行融合，从而生成增强后的图像。

（CLIP-LIT）该方法开创性地挖掘对比语言 - 图像预训练（CLIP）模型在像素级图像增强任务中的潜力，巧妙地借助 CLIP 模型丰富的视觉 - 语言先验知识，实现无需成对训练数据的逆光图像高质量增强。

本文是对HVI技术的代码解读。

本文通过提出HVI色彩空间和CIDNet模型，为低光照图像增强领域带来了新的突破。HVI色彩空间通过极化HS图和可学习的强度压缩函数，有效解决了传统色彩空间在低光照图像增强中的不足。同时，CIDNet网络的双分支结构和交叉注意力机制进一步提升了图像增强的效果。实验结果表明，HVI色彩空间和CIDNet模型在多个数据集上均取得了优异的性能，证明了其在低光照图像增强中的有效性和实用性。

Zero-DCE的核心思想是将低光照图像增强问题转化为图像特定的曲线估计问题，通过训练一个轻量级的神经网络（DCE-Net）来预测像素级的高阶曲线，再利用该曲线对图像进行调整，从而实现图像的亮度和对比度增强。零参考增强：无需任何成对或非成对的训练数据，也不需要参考图像，降低了应用门槛。轻量级网络：所采用的 DCE-Net 网络结构轻量化，参数量少，易于训练，且推理速度快，可在手机等移动设备上实现实时图像增强。端到端训练。