重思低光图像增强的模型冗余性
计算机视觉与模式识别
2025-08-19 v2
摘要
低光图像增强（LLIE）是计算摄影中的一个基本任务，旨在改善照明、减少噪声和提高低光图像的图像质量。虽然最近的进展主要集中在定制复杂的神经网络模型上，但我们注意到这些模型存在显著的冗余性，这限制了进一步的性能提升。在本文中，我们研究并重新思考了 LLIE 的模型冗余性，识别出参数有害性和参数无用性。鼓舞于此，我们提出了两种创新技术来缓解模型冗余性，同时提高 LLIE 性能：注意力动态重新分配（ADR）和参数正交生成（POG）。ADR 基于原始注意力动态地重新分配适当的注意力，从而减轻参数有害性。POG 学习参数的正交基嵌入，防止退化到静态参数，从而减轻参数无用性。实验验证了我们技术的有效性。我们将公开代码。
引用
@article{arxiv.2412.16459,
title = {Rethinking Model Redundancy for Low-light Image Enhancement},
author = {Tong Li and Lizhi Wang and Hansen Feng and Lin Zhu and Wanxuan Lu and Hua Huang},
journal= {arXiv preprint arXiv:2412.16459},
year = {2025}
}
备注
It has already been submitted as a different paper (arXiv:2505.09196)