从增强到理解：通过语义一致无监督微调构建低光视觉的通用桥梁

低层增强和高层视觉理解在低光视觉领域传统上被分别对待。低光增强旨在提高下游任务的图像质量，但现有方法依赖物理或几何先验，限制了其泛化能力。评估主要关注视觉质量，而非下游性能。低光视觉理解受限于标注数据稀缺，主要采用任务特定的域适应方法，缺乏可扩展性。为此，我们构建了一个低光增强与低光理解之间的通用桥梁，称为广义增强理解 (Generalized Enhancement For Understanding, GEFU)。该范式同时提升了泛化性和可扩展性。为解决低光退化的多种原因， 我们利用预训练的生成式扩散模型对图像进行优化，实现零样本泛化性能。基于此，我们提出语义一致无监督微调 (Semantically Consistent Unsupervised Fine-tuning, SCUF)。具体而言，为克服文本提示的局限性，我们引入照度感知图像提示以显式引导图像生成，并提出循环注意力适配器以最大化其语义潜能。为缓解无监督训练中的语义退化，我们提出 captions 与反射率一致性，以学习高层语义和图像级空间语义。大量实验表明，我们的方法在传统图像质量和 GEFU 任务（包括分类、检测和语义分割）上均优于当前最先进的方法。