FRBNet：通过频域径向基网络重访低光视觉
计算机视觉与模式识别
2025-10-29 v2 人工智能
摘要
低光视觉是计算机视觉中的一个根本性挑战，由于严重的光照退化，会显著影响检测和分割等下游任务的性能。虽然最近的 SOTA 方法通过不变特征学习模块提高了性能，但仍不足以完整建模低光条件。因此，我们重新审视低光图像形成，将经典的 Lambertian 模型扩展以更好地 characterize 低光条件。通过将分析转移到频域，我们在理论上证明，频域信道比率可通过结构化滤波过程来提取光照不变特征。我们随后提出了一种新型且可 end-to-end 训练的模块，称为频率域径向基网络 (FRBNet)，该网络将频域信道比率操作与可学习的频域滤波器集成，用于整体光照不变特征增强。作为一个即插即用模块，FRBNet 可以集成到现有的网络中，用于低光下游任务，而无需修改损失函数。广泛的实验在各种下游任务上表明，FRBNet 实现了卓越的性能，包括针对 dark object 检测的 +2.2 mAP 以及针对夜间分割的 +2.9 mIoU。代码可在 https://github.com/Sing-Forevet/FRBNet 获取。
引用
@article{arxiv.2510.23444,
title = {FRBNet: Revisiting Low-Light Vision through Frequency-Domain Radial Basis Network},
author = {Fangtong Sun and Congyu Li and Ke Yang and Yuchen Pan and Hanwen Yu and Xichuan Zhang and Yiying Li},
journal= {arXiv preprint arXiv:2510.23444},
year = {2025}
}