内部参考低光图像增强
计算机视觉与模式识别
2026-05-28 v1
摘要
自监督低光图像增强（Low-Light Image Enhancement, LLIE）因消除对外部配对数据的依赖而备受青睐。然而，缺乏外部参考导致网络难以解耦 entangled 的照明、精细纹理和放大噪声。为解决此挑战，我们提出一种内部参考LLIE框架，从受损输入图像本身提取可靠的物理和结构参考。首先，我们引入局部曝光模拟方案，以提取低频伪ground-truth，作为内部物理参考，用于引导全局照明估计并纠正颜色偏移。其次，我们提出一种双域保留策略，结合空间和光谱约束以构建内部结构参考。具体而言，Illumination-Aligned Perceptual loss 在照明变化下保留全局结构，Shift-Invariant Spectral Correlation loss 捕获细粒度局部结构并抑制高频噪声。最后，我们提出一种Gain-Adaptive Feature Modulation（GAFM）机制，以应对高度空间变异的残余噪声。通过将自估计的照明图转换为内部空间增益先验，GAFM动态引导盲点网络进行空间感知去噪。大量实验表明，我们的方法实现了最先进的性能，在噪声抑制和纹理保真性方面均优于现有方法。代码将在 https://visonj.github.io/IRLE/ 公开。
引用
@article{arxiv.2605.28605,
title = {Internally Referenced Low-Light Enhancement},
author = {Peiyuan He and Hainuo Wang and Hengxing Liu and Mingjia Li and Xiaojie Guo},
journal= {arXiv preprint arXiv:2605.28605},
year = {2026}
}