CIVQLLIE: 基于因果干预的向量量化低光图像增强
计算机视觉与模式识别
2025-08-06 v1
摘要
夜间场景拍摄的图像因可见性显著降低，导致有效的内容感知受到阻碍。当前低光图像增强(LLIE)方法面临诸多挑战：数据驱动的端到端映射网络缺乏可解释性或依赖不可靠的先验指导，在极端暗光条件下难以胜任；而物理模型方法依赖简化假设，在复杂真实场景中常常失效。为此，我们提出CIVQLLIE—a一种基于因果推理离散表示学习能力的新型框架。通过向量量化(VQ)，将连续图像特征映射到由大规模高质量图像学习得的离散词汇表中。该词汇表作为可靠先验，编码了独立于退化程度的标准化亮度和颜色模式。然而，由于退化输入与已学习词汇表之间的分布迁移，直接应用VQ至低光图像会失败。因此，我们提出多级因果干预方法以系统性纠正这些迁移。首先，在编码阶段，我们的像素级因果干预(PCI)模块干预以将低层特征对齐到词汇表所期望的亮度和颜色分布。其次，基于低频选择性注意力门控(LSAG)的特征感知因果干预(FCI)机制识别并增强受照明退化影响最大的通道，促进准确的词汇表标记匹配，同时通过灵活的特征级干预提升编码器的泛化性能。在解码阶段，高频细节重建模块(HDRM)利用匹配词汇表表示中保留的结构信息，通过可变形卷积技术重建细节。
引用
@article{arxiv.2508.03338,
title = {CIVQLLIE: Causal Intervention with Vector Quantization for Low-Light Image Enhancement},
author = {Tongshun Zhang and Pingping Liu and Zhe Zhang and Qiuzhan Zhou},
journal= {arXiv preprint arXiv:2508.03338},
year = {2025}
}