ECMamba：结合选择性状态空间模型与Retinex指导的高效多重曝光校正
计算机视觉与模式识别
2024-10-30 v1
摘要
曝光校正（EC）旨在恢复在过曝或欠曝场景下拍摄图像的适当曝光条件。尽管现有的深度学习模型已展现出可喜的成果，但鲜有模型将Retinex理论完全嵌入其架构中，这突显了当前方法的一个空白。此外，高性能与效率之间的平衡在曝光校正任务中仍是一个尚未充分探索的问题。受展现出强大且高效序列建模能力的Mamba启发，我们引入了一种基于Mamba的曝光校正新框架（ECMamba），其具有双路径，分别专用于反射图与光照图的恢复。具体而言，我们首先推导了Retinex理论，并训练了一个Retinex估计器，能够将输入映射至两个中间空间，分别近似目标反射图与光照图。该设置促进了后续曝光校正Mamba模块（ECMM）的精细化恢复过程。此外，我们开发了一种由Retinex信息引导的新型二维选择性状态空间层（Retinex-SS2D），作为ECMM的核心算子。该架构结合了基于可变形特征聚合的创新二维扫描策略，从而同时提升了效率与有效性。广泛的实验结果与全面的消融研究证明了我们提出的ECMamba的卓越性能以及各个组件的重要性。代码可在 https://github.com/LowlevelAI/ECMamba 获取。
引用
@article{arxiv.2410.21535,
title = {ECMamba: Consolidating Selective State Space Model with Retinex Guidance for Efficient Multiple Exposure Correction},
author = {Wei Dong and Han Zhou and Yulun Zhang and Xiaohong Liu and Jun Chen},
journal= {arXiv preprint arXiv:2410.21535},
year = {2024}
}
备注
Accepted by NeurIPS 2024. Retinex-theory, Mamba, Exposure Correction