潜空间中的Retinex分解用于低光图像增强
计算机视觉与模式识别
2026-03-17 v1
摘要
Retinex理论为低光图像增强提供了原则性基础，激发了大量基于学习的方法，致力于整合其原理。然而，现有方法在准确分解反射率和照明成分方面存在局限。为此，我们提出了Retinex引导的Transformer（RGT）模型，该模型包含分解和增强两个阶段。首先，我们提出了潜空间分解策略，用于分离反射率和照明成分。通过引入对数变换和1像素偏移，将固有的乘法关系转换为加法形式，从而增强分解的稳定性和精度。随后，我们构建了一个包含所提出引导性融合Transformer模块的U型结构组件精炼器。组件精炼器对反射率进行细化，以保留纹理细节并优化照明分布，有效地将低光输入转换为正常光下的图像。跨越四个基准数据集的实验评估表明，我们的方法在低光增强方面实现了具竞争力的性能，并呈现出更稳定的训练过程。
引用
@article{arxiv.2603.15131,
title = {Low-light Image Enhancement with Retinex Decomposition in Latent Space},
author = {Bolun Zheng and Qingshan Lei and Quan Chen and Qianyu Zhang and Kainan Yu and Xu Jia and Lingyu Zhu},
journal= {arXiv preprint arXiv:2603.15131},
year = {2026}
}
备注
Submit to IEEE TIP