基于有效时空分解范式的低光视频增强
计算机视觉与模式识别
2026-02-10 v1
摘要
低光视频增强(LLVE)旨在恢复受严重不可见性和噪声影响的动态或静态场景。本文提出了一种创新的视频分解策略，该策略结合了视角无关和视角相关组件以提升LLVE的性能。该框架被称为视角感知低光视频增强(VLLVE)。我们利用动态跨帧对应关系来处理视角无关项（主要捕获内在外观），并对视角相关项（主要描述光照条件）施加场景级连续性约束，以实现一致且令人满意的分解结果。为进一步确保分解的一致性，我们引入了一个具有跨帧交互机制的双结构增强网络。通过同时监督不同帧，该网络鼓励它们展现匹配的分解特征。该机制可以无缝集成到编码器-解码器单帧网络中，仅带来极小的额外参数开销。在VLLVE的基础上，我们通过引入一个加性残差项，提出了一种更全面的分解策略，从而得到VLLVE++。该残差项可以模拟场景自适应退化，这种退化对于常见场景难以使用分解公式进行建模，从而进一步增强捕获视频整体内容的能力。此外，VLLVE++支持增强和退化感知对应关系精炼的双向学习（端到端方式），有效增加了可靠对应关系，同时过滤掉错误对应关系。值得注意的是，VLLVE++在处理具有挑战性的案例（如真实世界场景和高动态视频）时表现出强大的能力。在广泛认可的LLVE基准上进行了大量实验。
引用
@article{arxiv.2602.08699,
title = {Low-Light Video Enhancement with An Effective Spatial-Temporal Decomposition Paradigm},
author = {Xiaogang Xu and Kun Zhou and Tao Hu and Jiafei Wu and Ruixing Wang and Hao Peng and Bei Yu},
journal= {arXiv preprint arXiv:2602.08699},
year = {2026}
}