FusionNet：面向低光图像增强的多模型线性融合框架
计算机视觉与模式识别
2025-04-29 v1
摘要
深度神经网络（DNN）的出现推动了低光图像增强（LLIE）取得了显著进展，各种网络架构（如 CNN 和 Transformer）和颜色空间（如 sRGB、HSV、HVI）均取得了令人瞩目的成果。近期研究致力于利用这些范式的互补优势，为应对不同退化场景提供可行方案。然而，现有融合策略受限于参数爆炸、优化不稳定和特征错位等挑战，限制了进一步的提升。为克服这些问题，我们提出了 FusionNet，这是一种新颖的多模型线性融合框架，能够在平行中有效捕获跨越不同颜色空间的全局与局部特征。通过引入基于希尔伯特空间理论保证的线性融合策略，FusionNet 缓解了网络崩溃，降低了训练成本。我们的方法在 CVPR2025 NTIRE 低光增强挑战中取得了第一名。大量在合成数据集和真实世界基准数据集上的实验表明，所提方法在定量和定性结果方面均显著优于当前最先进的方法，在多种低光条件下均能提供稳健的增强。
引用
@article{arxiv.2504.19295,
title = {FusionNet: Multi-model Linear Fusion Framework for Low-light Image Enhancement},
author = {Kangbiao Shi and Yixu Feng and Tao Hu and Yu Cao and Peng Wu and Yijin Liang and Yanning Zhang and Qingsen Yan},
journal= {arXiv preprint arXiv:2504.19295},
year = {2025}
}