亮度感知统计量化：用于光照增强的无监督分层学习
计算机视觉与模式识别
2025-12-17 v2
摘要
低光照图像增强(LLIE)在平衡重建保真度与跨场景泛化能力方面面临持续挑战。现有方法主要关注成对低/正常光照图像之间的确定性逐像素映射，但常常忽略了真实环境中亮度过渡的连续物理过程，导致在缺乏正常光照参考时性能下降。受自然亮度动态经验分析（揭示出幂律分布的强度过渡）的启发，本文引入了亮度感知统计量化(LASQ)，这是一个新颖的框架，它将LLIE重新构想为在分层亮度分布上的统计采样过程。我们的LASQ将亮度过渡重新概念化为强度坐标空间中的幂律分布，该分布可通过分层幂函数近似，因此，用连续亮度层上的概率采样取代了确定性映射。设计了一个扩散前向过程来自主发现亮度层之间的最优过渡路径，实现了无需正常光照参考的无监督分布模拟。通过这种方式，它显著提高了实际场景中的性能，实现了更具适应性和通用性的光照恢复。该框架也易于应用于有正常光照参考的情况，在特定领域数据集上取得优越性能的同时，在非参考数据集上也展现出更好的泛化能力。
引用
@article{arxiv.2511.01510,
title = {Luminance-Aware Statistical Quantization: Unsupervised Hierarchical Learning for Illumination Enhancement},
author = {Derong Kong and Zhixiong Yang and Shengxi Li and Shuaifeng Zhi and Li Liu and Zhen Liu and Jingyuan Xia},
journal= {arXiv preprint arXiv:2511.01510},
year = {2025}
}
备注
Accepted at NeurIPS 2025