GM-MoE：基于门控机制专家混合的低照度增强
计算机视觉与模式识别
2026-01-13 v5
摘要
低照度增强在自动驾驶、3D 重建、遥感和监控等领域有广泛应用，可以显著提高信息利用率。然而，大多数现有方法缺乏泛化能力，并且局限于图像恢复等特定任务。为了解决这些问题，我们提出了门控机制专家混合（GM-MoE），这是第一个将专家混合网络引入低照度图像增强的框架。GM-MoE 包含一个动态门控权重调节网络和三个子专家网络，每个子专家网络专门负责一项不同的增强任务。结合了自研的门控机制，能够针对不同数据域动态调整子专家网络的权重。此外，我们在子专家网络中整合了局部和全局特征融合，通过捕捉多尺度特征来增强图像质量。实验结果表明，GM-MoE 相对于 25 种对比方法表现出卓越的泛化能力，分别在 5 个基准上取得了 PSNR 和 4 个基准上 SSIM 的最先进性能。
引用
@article{arxiv.2503.07417,
title = {GM-MoE: Low-Light Enhancement with Gated-Mechanism Mixture-of-Experts},
author = {Minwen Liao and Hao Bo Dong and Xinyi Wang and Kurban Ubul and Yihua Shao and Ziyang Yan},
journal= {arXiv preprint arXiv:2503.07417},
year = {2026}
}