Retinexmamba：基于Retinex的Mamba用于低光照图像增强
计算机视觉与模式识别
2024-05-21 v2
摘要
在低光照图像增强领域，传统的Retinex方法和先进的深度学习技术（如Retinexformer）都显示出明显的优势和局限性。传统的Retinex方法旨在模仿人眼对亮度和颜色的感知，将图像分解为光照分量和反射分量，但在低光照条件下难以处理噪声和保持细节。Retinexformer通过传统的自注意力机制增强了光照估计，但面临着可解释性不足和增强效果欠佳的挑战。为了克服这些局限性，本文引入了RetinexMamba架构。RetinexMamba不仅捕捉了传统Retinex方法的物理直观性，还集成了Retinexformer的深度学习框架，利用状态空间模型（SSM）的计算效率来提高处理速度。该架构具有创新的光照估计器和损伤恢复机制，可在增强过程中保持图像质量。此外，RetinexMamba用融合注意力机制替换了Retinexformer中的IG-MSA（光照引导多头注意力），提高了模型的可解释性。在LOL数据集上的实验评估表明，RetinexMamba在定量和定性指标上均优于现有的基于Retinex理论的深度学习方法，证实了其在增强低光照图像方面的有效性和优越性。
引用
@article{arxiv.2405.03349,
title = {Retinexmamba: Retinex-based Mamba for Low-light Image Enhancement},
author = {Jiesong Bai and Yuhao Yin and Qiyuan He and Yuanxian Li and Xiaofeng Zhang},
journal= {arXiv preprint arXiv:2405.03349},
year = {2024}
}