LoLI-Street：低光图像增强基准及超越

低光图像增强（LLIE）对于众多计算机视觉任务至关重要，包括目标检测、跟踪、分割和场景理解。尽管在改善欠曝条件下捕获的低质量图像方面已有大量研究，但对于经常面临低光场景的自动驾驶车辆而言，清晰的视觉仍然至关重要，这凸显了持续研究的必要性。然而，用于LLIE的配对数据集，尤其是街道场景的配对数据集，十分稀缺，限制了鲁棒LLIE方法的发展。尽管使用了先进的Transformer和/或基于扩散的模型，当前的LLIE方法在现实低光条件下仍表现不佳，并且缺乏在街道场景数据集上的训练，限制了其在自动驾驶车辆中的有效性。为弥补这些差距，我们引入了一个新的数据集LoLI-Street（街道低光图像），其中包含来自发达城市街道场景的33,000对低光和良好曝光图像，覆盖了19,000个用于目标检测的目标类别。LoLI-Street数据集还包含1,000张真实低光测试图像，用于在现实条件下测试LLIE模型。此外，我们提出了一种基于Transformer和扩散的LLIE模型，名为“TriFuse”。利用LoLI-Street数据集，我们训练并评估了我们的TriFuse模型及SOTA模型，以在我们的数据集上进行基准测试。通过比较各种模型，我们的数据集在不同主流数据集上的测试中展现出良好的泛化能力，显著提升了图像质量和目标检测性能，可实际应用于自动驾驶和监控系统。完整代码和数据集可在 https://github.com/tanvirnwu/TriFuse 获取。