基于动态权重的低光视频增强时间聚合方法
计算机视觉与模式识别
2026-05-25 v2
摘要
低光视频增强（LLVE）因噪声、对比度低和颜色退化而具有挑战性。虽然基于学习的方法能够实现快速推理，但在重度真实噪声下往往失败，因为它们未充分利用长期时序线索。我们提出了 DWTA-Net，一种 novel 深度学习递归 LLVE 框架，采用递归设计。DWTA-Net 采用集成的两阶段架构：阶段 I 通过多帧对齐实现局部结构和颜色恢复，以实现基于 Mamba 的时序一致性增强；阶段 II 使用由光流引导的 novel 动态权重时序聚合进行递归细化，作为一种适应运动的递归去噪器。我们进一步引入一种纹理自适应损失，在纹理区域保留细节的同时抑制均匀区域的噪声。实验在真实低光录像上表明，DWTA-Net 实现更强的噪声抑制和更少的伪影，提供优于现有方法的优异视觉质量。
引用
@article{arxiv.2510.09450,
title = {Dynamic Weight-based Temporal Aggregation for Low-light Video Enhancement Under Extreme Noise},
author = {Ruirui Lin and Guoxi Huang and Nantheera Anantrasirichai},
journal= {arXiv preprint arXiv:2510.09450},
year = {2026}
}