SAIGFormer：基于空间自适应照明引导的低光图像增强网络

最近的基于 Transformer 的低光增强方法在恢复全局照明方面取得了令人鼓舞的进展。然而，他们仍然在非均匀照明场景中（如背光和阴影）难以处理，表现为过曝或亮度恢复不足。为解决这一挑战，我们提出了空间自适应照明引导 Transformer（SAIGFormer）框架，实现精准的照明恢复。具体而言，我们提出了动态积分图像表示来建模空间变化的照明，并进一步构建了一种新颖的空间自适应积分照明估计器（$\text{SAI}^2\text{E}$）。此外，我们引入了照明引导的多头自注意力机制（IG-MSA），该机制利用照明来校准与亮度相关的特征，以实现视觉满意的照明增强。在五个标准低光数据集和一个跨域基准（LOL-Blur）上的大量实验表明，我们的 SAIGFormer 在定量和定性指标上均显著优于最先进的方法。特别是，我们的方法在非均匀照明增强方面表现出色，并在多个数据集之间展现出强大的泛化能力。代码可在 https://github.com/LHTcode/SAIGFormer.git 获取。