LightQANet：用于低光图像增强的量化和自适应特征学习
计算机视觉与模式识别
2025-10-17 v1
摘要
低光图像增强（LLIE）旨在改善照明，同时保持高质量的颜色和纹理。然而，现有方法常因低光条件下严重退化的像素级信息，难以提取可靠的特征表示，导致纹理恢复差、颜色不一致和产生制造物。为此，我们提出LightQANet，一种引入量化和自适应特征学习用于低光图像增强的新型框架，旨在在不同照明条件下实现一致且稳健的图像质量。从静态建模角度，我们设计Light Quantization Module（LQM），用于显式提取图像特征中的照明相关因素。通过强制结构化光因素学习，LQM增强了光不变表示的提取，并缓解了不同照明水平下的特征不一致性。从动态适应角度，我们引入Light-Aware Prompt Module（LAPM），将照明先验编码为可学习的提示，以动态指导特征学习过程。LAPM使模型能够灵活适应复杂且持续变化的照明条件，进一步提高图像增强效果。在多个低光数据集上进行的大量实验表明，我们的方法实现了最先进的性能，在各种具有挑战性的照明情境下，达到了优异的定性和定量结果。
引用
@article{arxiv.2510.14753,
title = {LightQANet: Quantized and Adaptive Feature Learning for Low-Light Image Enhancement},
author = {Xu Wu and Zhihui Lai and Xianxu Hou and Jie Zhou and Ya-nan Zhang and Linlin Shen},
journal= {arXiv preprint arXiv:2510.14753},
year = {2025}
}