MobileIE：面向移动设备的极轻量且高效的卷积神经网络用于实时图像增强
计算机视觉与模式识别
2025-07-03 v1
摘要
近期深度神经网络的发展推动了图像增强（IE）取得显著进展。然而，在计算和内存需求高的资源受限平台（如移动设备）上部署深度学习模型仍具有挑战。为此，我们引入一个约 4K 参数的极轻量卷积神经网络（CNN）框架，以实现移动端的实时 IE。我们的方案将重参数化与递增权重优化策略相结合，以确保效率。此外，我们通过特征自变换模块和层次双路径注意力机制进行性能提升，采用局部方差加权损失进行优化。凭借这一高效框架，我们首次实现了最高可达 1,100 帧/秒（FPS）的实时 IE 推理，同时实现了具竞争力的图像质量，在多种 IE 任务中实现了速度与性能之间最佳的权衡。该代码将在 https://github.com/AVC2-UESTC/MobileIE.git 公开。
引用
@article{arxiv.2507.01838,
title = {MobileIE: An Extremely Lightweight and Effective ConvNet for Real-Time Image Enhancement on Mobile Devices},
author = {Hailong Yan and Ao Li and Xiangtao Zhang and Zhe Liu and Zenglin Shi and Ce Zhu and Le Zhang},
journal= {arXiv preprint arXiv:2507.01838},
year = {2025}
}
备注
Accepted by ICCV 2025