Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement
计算机视觉与模式识别
2025-07-16 v5 图像与视频处理
摘要
低光图像增强，特别是对于跨域任务如从原始域映射到 sRGB 域的任务，仍然是一个重要挑战。近年来已开发出许多基于深度学习的方法来解决此问题并取得了令人鼓舞的结果。然而，单阶段方法试图统一跨两个域的复杂映射，导致噪声消除性能有限。相比之下，现有的双阶段方法通常忽略了图像信号处理 (ISP) 管道中 demosaicing 的特征，在不同照明条件下尤其在低光场景下会导致颜色失真。为此，我们提出一种新颖的 Mamba 方法定制用于低光 RAW 图像，以有效处理不同 CFA 的原始图像，称为 RAWMamba。进一步，我们引入基于 Retinex 先验的 Retinex 分解模块 (RDM)，将照明与反射率解耦，以促进更有效的降噪和自动非线性曝光校正，减少对人工线性照明增强的影响。通过桥接 demosaicing 和降噪，实现了对低光 RAW 图像的更好增强。在公共数据集 SID 和 MCR 上的实验评估表明，我们提出的 RAWMamba 在跨域映射方面实现了最先进的性能。代码已公开于 https://github.com/Cynicarlos/RetinexRawMamba。
引用
@article{arxiv.2409.07040,
title = {Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement},
author = {Xianmin Chen and Longfei Han and Peiliang Huang and Xiaoxu Feng and Dingwen Zhang and Junwei Han},
journal= {arXiv preprint arXiv:2409.07040},
year = {2025}
}