AMIEOD：面向低照明场景的自适应多专家图像增强目标检测框架
计算机视觉与模式识别
2026-05-08 v1
摘要
在多媒体应用场景中，低照明条件下捕获的图像，往往在视觉感知任务上的准确率低于在光照良好环境中拍摄的图像。为解决此挑战，我们提出了 AMIEOD（Adaptive Multi-Experts Image Enhancement for Object Detection in Low-Illumination Scenes），这是一种面向低照明场景的图像增强型目标检测框架，两者以检测性能为导向进行联合优化。具体而言，为充分利用光照不足图像中的信息，提出了多专家图像增强模块（Multi-Experts Image Enhancement Module, MEIEM），该模块利用多样化的增强策略。基于此，为更好地将 MEIEM 与检测任务对齐，提出了检测引导的回归损失（Detection-Guided Regression Loss, DGRL），其利用检测结果决定回归目标。此外，为在推理阶段动态选择 MEIEM 中最合适的增强策略，构建了由检测引导交叉熵损失（Detection-Guided Cross-Entropy, DGCE）指导的专家选择模块（Expert Selection Module, ESM），其将 ESM 的优化问题形式化为分类任务。改进方法与当前检测算法高度兼容，可提升其在暗光场景下的性能。大量实验表明，所提方法显著提高了低照明条件下目标检测的准确率。我们的代码已公开于 https://github.com/scujayfantasy/AMIEOD
引用
@article{arxiv.2605.06084,
title = {AMIEOD: Adaptive Multi-Experts Image Enhancement for Object Detection in Low-Illumination Scenes},
author = {Xiaochen Huang and Honggang Chen and Weicheng Zhang and Xiaobo Dai and Yongyi Li and Linbo Qing and Xiaohai He},
journal= {arXiv preprint arXiv:2605.06084},
year = {2026}
}
备注
Accepted at IEEE Transactions on Multimedia