照亮黑暗：学习增强自然场景下的低光照图像
计算机视觉与模式识别
2026-01-01 v3
摘要
由于缺乏多样化的、真实世界的成对数据集，单张低光照图像增强 (SLLIE) 仍然具有挑战性。为了弥补这一差距，我们引入了低光照智能手机数据集 (LSD)，这是一个在自然场景下跨越广泛具有挑战性光照条件（0.1 至 200 勒克斯）收集的大规模、高分辨率 (4K+) 数据集。LSD 包含 6,425 对精确对齐的低光照和正常光照图像对，这些图像对通过多帧采集和专家评估从超过 8,000 个动态室内外场景中筛选出来。为了评估泛化能力和美学质量，我们从以前未见过的设备中收集了 2,117 张未配对的低光照图像。为了充分利用 LSD，我们提出了 TFFormer，这是一种混合模型，它分别编码亮度和色度 (LC) 以减少颜色与结构的纠缠。我们进一步提出了一种由交叉注意力驱动的联合解码器，用于 LC 表示的上下文感知融合，并结合 LC 细化和 LC 引导的监督，以显著增强感知保真度和结构一致性。TFFormer 在 LSD 上取得了最先进的结果 (+2.45 dB PSNR)，并大幅改善了下游视觉任务，例如低光照目标检测（在 ExDark 上 +6.80 mAP）。
关键词
引用
@article{arxiv.2503.06898,
title = {Illuminating Darkness: Learning to Enhance Low-light Images In-the-Wild},
author = {S M A Sharif and Abdur Rehman and Zain Ul Abidin and Fayaz Ali Dharejo and Radu Timofte and Rizwan Ali Naqvi},
journal= {arXiv preprint arXiv:2503.06898},
year = {2026}
}