BSMamba：针对低光图像增强中长程交互的亮度与语义建模
计算机视觉与模式识别
2025-08-06 v2
摘要
当前低光图像增强（LLIE）方法在同时提升亮度、保持语义一致性、保留细节以及计算效率方面存在显著局限。随着状态空间模型（尤其是 Mamba）的出现，图像修复取得了显著进展，但现有视觉 Mamba 方法通过固定扫描规则将二维图像展平为一维 token 序列，严重限制了具有因果关系的远距离 token 之间的相互作用，约束了其捕捉有意义长程依赖的能力。为此，我们提出了 BSMamba，一种新型视觉 Mamba 架构，包含两个专门设计的组件：亮度 Mamba 和语义 Mamba。亮度 Mamba 通过优先连接相似亮度水平的远距离 token 之间的关联，革新了 token 交互模式，有效解决了 LLIE 任务中亮度恢复的挑战，实现了基于亮度的选择性注意力。语义 Mamba 则建立在共享相似语义含义的 token 之间优先关联，使模型能够通过连接图像中语义相关区域，维持上下文一致性，进而在增强过程中保留图像语义的层次结构。通过基于亮度和语义相似性而非任意扫描模式对 token 进行智能建模，BSMamba 超越了传统 token 排序的限制，同时遵循因果建模原则。大量实验表明，BSMamba 在 LLIE 中实现了状态突破（SOTA）性能，同时保持语义一致性。代码已公开：https://github.com/bywlzts/BSMamba。
引用
@article{arxiv.2506.18346,
title = {BSMamba: Brightness and Semantic Modeling for Long-Range Interaction in Low-Light Image Enhancement},
author = {Tongshun Zhang and Pingping Liu and Mengen Cai and Zijian Zhang and Yubing Lu and Qiuzhan Zhou},
journal= {arXiv preprint arXiv:2506.18346},
year = {2025}
}