Consist-Retinex：一种基于噪声强化一致性训练的单步高质量 Retinex 增强方法
计算机视觉与模式识别
2026-05-05 v3 人工智能
摘要
基于 Retinex 的低光图像增强由于能够分离反射率和光照而受到青睐，但最近的生成方法往往依赖于迭代采样，在严格的延迟预算下难以部署。一致性模型提供了实现单步恢复的自然途径，但直接适用于 Retinex 分解增强会导致不稳定：单步推理在高噪声端点处进行评估，而标准训练计划在此处提供的监督信息有限，时序自洽性本身并不能确定正确的条件目标。我们提出 Consist-Retinex，该方法首先使用 Retinex Transformer 分解网络 (TDN) 获取配对的反射率和光照图，随后训练两个条件一致性模型，采用 Retinex aware 双目标和自适应噪声强化固定点采样。双目标结合轨迹一致性与配对真实组件对齐，而采样规则在推理端点附近集中监督，同时不丢弃完整范围的噪声覆盖。我们进一步提供了端点误差界、锚定-传播结果以及高噪声样本分配分析，解释了为何端点监督和时序一致性在单步 Retinex 增强中是互补的。在配对和非配对低光基准测试上实验表明，在单步推理下 Consist-Retinex 在比较方法中获得了最佳的 VE-LOL-L 分数，并在 LOL 数据集上保持竞争性能，同时在报告的设置下显著减少了采样和一致性阶段的训练成本。
引用
@article{arxiv.2512.08982,
title = {Consist-Retinex: One-Step Noise-Emphasized Consistency Training Accelerates High-Quality Retinex Enhancement},
author = {Jian Xu and Wei Chen and Shigui Li and Delu Zeng and John Paisley and Qibin Zhao},
journal= {arXiv preprint arXiv:2512.08982},
year = {2026}
}