Multinex：通过多先验 Retinex 实现轻量级低光图像增强
计算机视觉与模式识别
2026-04-29 v2 人工智能
摘要
低光图像增强 (LLIE) 旨在在严重光照退化条件下恢复自然可见性、色彩保真度和结构细节。当前最先进 (SOTA) 的 LLIE 技术通常依赖大型模型和多阶段训练，限制了其在边缘部署中的实用性。此外，这些方法依赖单一色彩空间，导致不稳定且伴随可见曝光或色彩瑕疵。为此，我们提出了 Multinex，一个超轻量结构化框架，集成了原则化 Retinex 残差公式中的多种细粒度表征。它将图像分解为来自不同分析表征的光照和色彩先验堆栈，并学习将这些表征融合到必要用于校正曝光的亮度和反射率调整中。通过优先考虑增强而非重建，并利用轻量级神经运算，Multinex 大幅降低了计算成本，体现为其轻量版（45K 参数）和纳米版（0.7K 参数）。广泛的基准测试表明，所有轻量变体均显著优于相应的轻量 SOTA 模型，并与重型模型相当的性能。论文页面可在 https://albrateanu.github.io/multinex 查看。
引用
@article{arxiv.2604.10359,
title = {Multinex: Lightweight Low-light Image Enhancement via Multi-prior Retinex},
author = {Alexandru Brateanu and Tingting Mu and Codruta Ancuti and Cosmin Ancuti},
journal= {arXiv preprint arXiv:2604.10359},
year = {2026}
}
备注
Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026