用于低光照 RAW 图像增强的分层混合架构
计算机视觉与模式识别
2025-11-17 v2
摘要
随着深度学习的快速发展,低光照 RAW 图像增强(LLRIE)取得了显著进展。然而,如何同时实现高质量增强与高效率仍是亟待解决的难题。利用通道注意力(Channel Attention)与 Mamba 的固有高效性,我们提出了分层混合架构(HiMA),一种基于两个核心模块构建的混合式 LLRIE 框架。具体而言,我们为高层引入大尺度块(Large Scale Block, LSB),为底层引入小尺度块(Small Scale Block, SSB),在减少参数的同时提升性能。基于该框架,我们进一步提出了新颖的局部分布调整(Local Distribution Adjustment, LoDA)模块,通过学习调整局部亮度与对比度分布,以内容感知的方式自适应对齐局部特征统计量。此外,为缓解现有 LLRIE 流水线中常见的领域歧义问题,我们设计了多先验融合(Multi-Prior Fusion, MPF)模块,利用从混合架构第一阶段提取的三种互补先验来保持领域一致性。在多个公开基准上的大量实验表明,我们的方法优于当前最优方法,以更少的参数实现了更优的性能。代码已开源,详见 https://github.com/Cynicarlos/HiMA。
引用
@article{arxiv.2510.15497,
title = {Hierarchical Mixing Architecture for Low-light RAW Image Enhancement},
author = {Xianmin Chen and Peiliang Huang and Longfei Han and Dingwen Zhang and Junwei Han},
journal= {arXiv preprint arXiv:2510.15497},
year = {2025}
}