桥接鲁棒性与效率：基于注意力 U-Net GAN 的实时低光增强
计算机视觉与模式识别
2026-01-13 v1
摘要
近期在低光图像增强（LLIE）领域的研究主要聚焦于扩散概率模型，这类模型虽然能实现高保真度感知质量，但因计算延迟显著（常需 2-4 秒才能处理单张图像）。相比之下，传统基于卷积神经网络的方法虽具实时推理能力，却在“过度平滑”问题上受限，难以在极端低光条件下恢复细微结构细节。亟需一种模型，既能提供生成式模型般的纹理恢复，又能实现接近实时的推理速度。本文提出一种混合注意力 U-Net 生成对抗网络（Attention U-Net GAN），通过将注意力门控集成至轻量化 U-Net 主干架构中，并在条件对抗框架下进行训练，我们展示了扩散模型中冗余的迭代采样步骤并非恢复纹理必需。实验表明，在 SID 数据集上，我们的方法在高效模型中实现了最高的 LPIPS 分数（0.112），显著优于 SID、EnlightenGAN 等高效基线模型，同时保持 0.06 秒的推理延迟，较潜在扩散模型提升约 40 倍，适用于近实时应用场景。
引用
@article{arxiv.2601.06518,
title = {Bridging Robustness and Efficiency: Real-Time Low-Light Enhancement via Attention U-Net GAN},
author = {Yash Thesia and Meera Suthar},
journal= {arXiv preprint arXiv:2601.06518},
year = {2026}
}
备注
7 pages, 2 figures, 3 tables