从暗到细：频率感知状态空间模型用于低光视觉
计算机视觉与模式识别
2026-01-27 v2 人工智能
多媒体
图像与视频处理
摘要
低光图像增强仍然是计算机视觉中的一个持续挑战，最先进的模型常常受到硬件约束和计算效率低下的限制，尤其是在高分辨率下。虽然基础架构如Transformer和扩散模型已推动了该领域的发展，但它们的计算复杂度限制了其在边缘设备上的部署。我们提出了ExpoMamba，一种将频率感知状态空间模型集成到修改后的U-Net中的新架构。ExpoMamba旨在通过解耦频域中振幅（强度）和相位（结构）的建模来处理混合曝光挑战。这使得可以有针对性的增强，使其非常适合实时应用，包括目标检测和分割等下游任务。我们在六个基准数据集上的实验表明，ExpoMamba比竞争模型快2-3倍，且实现了6.8%的PSNR提升，在高效高质量低光增强方面建立了新的最先进水平。源代码：https://www.github.com/eashanadhikarla/ExpoMamba。
引用
@article{arxiv.2408.09650,
title = {From Darkness to Detail: Frequency-Aware SSMs for Low-Light Vision},
author = {Eashan Adhikarla and Kai Zhang and Gong Chen and John Nicholson and Brian D. Davison},
journal= {arXiv preprint arXiv:2408.09650},
year = {2026}
}