ELVIS：针对暗光视频实例分割的低光增强
计算机视觉与模式识别
2026-03-24 v2
摘要
针对低光场景下的视频实例分割（VIS）仍极具挑战性，因为噪声、模糊及其他恶劣条件会显著影响人类与机器的表现。缺乏大规模标注数据集以及当前合成流程的局限性——尤其在建模时序退化方面——进一步阻碍了进展。此外，现有 VIS 方法对低光视频中的退化现象不够稳健，微调后仍表现不佳。本文引入\textbf{ELVIS}（\textbf{E}nhance \textbf{L}ow-Light for \textbf{V}ideo \textbf{I}nstance \textbf{S}egmentation），一个支持针对低光场景对领先 VIS 模型进行域适应的框架。ELVIS 包含一个无监督的低光视频合成管线，用于建模空间与时序退化，一个无校准的退化轮廓估计网络（VDP-Net），以及一个能置换退化与内容特征的增强解码器头。ELVIS 在模拟低光 YouTube-VIS 2019 数据集上提升了最高达 \textbf{+3.7AP} 的性能，并在真实低光视频上超越两个阶段基线至少 \textbf{+2.8AP}。代码与数据集已提供：\href{https://joannelin168.github.io/research/ELVIS}{https://joannelin168.github.io/research/ELVIS}。
引用
@article{arxiv.2512.01495,
title = {ELVIS: Enhance Low-Light for Video Instance Segmentation in the Dark},
author = {Joanne Lin and Ruirui Lin and Yini Li and David Bull and Nantheera Anantrasirichai},
journal= {arXiv preprint arXiv:2512.01495},
year = {2026}
}
备注
Accepted to CVPR 2026