超暗图像细粒度细节恢复：超越光照的创新方法
计算机视觉与模式识别
2025-08-06 v1
摘要
在极度黑暗的图像中恢复细粒度细节仍具有挑战性，由于严重的结构信息丢失和噪声干扰。现有增强方法往往难以保留精细细节和锐利边缘，限制了其在文本和边缘检测等下游应用中的效果。为解决这些不足，我们提出一种高效的双阶段方法，聚焦于细节恢复。第一阶段，我们引入残差傅里叶引导模块 (Residual Fourier-Guided Module, RFGM)，有效恢复频域中的全局照明。RFGM 通过残差连接捕获跨阶段和跨通道的依赖，为高保真频率处理提供稳健的先验，同时缓解因不可靠先验导致的误差累积风险。第二阶段采用专为文本纹理结构细化设计的互补 Mamba 模块：(1) Patch Mamba 在未下采样的通道拼接块上 operate，细致建模像素级相关性，以不损失分辨率的方式增强细粒度细节；(2) Grad Mamba 显式聚焦于高梯度区域，缓解状态空间模型中的状态衰减，优先重建锐利的边缘和边界。广泛的实验在多个基准数据集和下游应用上表明，我们的方法在保持效率的同时显著提升了细节恢复性能。关键在于，所提模块轻量级，可无缝集成到现有基于傅里叶的框架中，几乎没有额外的计算开销。代码地址：https://github.com/bywlzts/RFGM。
引用
@article{arxiv.2508.03336,
title = {Beyond Illumination: Fine-Grained Detail Preservation in Extreme Dark Image Restoration},
author = {Tongshun Zhang and Pingping Liu and Zixuan Zhong and Zijian Zhang and Qiuzhan Zhou},
journal= {arXiv preprint arXiv:2508.03336},
year = {2025}
}