LLEMamba: 基于重光照引导Mamba与深度展开网络的低光照增强方法

基于Transformer的低光照增强方法通过有效捕获全局上下文中的长距离依赖关系，取得了有前景的性能。然而，其高昂的计算需求限制了深度展开网络中多次迭代的可扩展性，因此难以灵活地平衡可解释性和失真。为解决此问题，我们提出了一种新颖的基于重光照引导Mamba与深度展开网络的低光照增强方法（LLEMamba），其理论可解释性和保真度分别由Retinex优化和Mamba深度先验保证。具体而言，我们的LLEMamba首先构建了一个带有深度先验的Retinex模型，将基于交替方向乘子法（ADMM）的迭代优化过程嵌入到深度展开网络中。与Transformer不同，为了辅助深度展开框架进行多次迭代，所提出的LLEMamba引入了一种计算复杂度更低的新型Mamba架构，这不仅在反射率重光照过程中为暗图像实现了依赖于光照的全局视觉上下文，而且通过优化获得了更稳定的闭式解。在基准测试上的实验表明，与现有最先进方法相比，LLEMamba实现了更优的定量评估和更低失真的视觉结果。