窄暗中捕捉细节：基于事件相机的超分辨率
计算机视觉与模式识别
2026-01-06 v1 人工智能
摘要
本文针对低光视频超分辨率 (LVSR) 问题，即从低光、低分辨率 (LR) 输入恢复高分辨率视频。现有 LVSR 方法常因对比度有限和高频信息不足而难以恢复细节。为克服这些挑战，我们提出 RetinexEVSR——首个基于事件驱动的 LVSR 框架，利用高对比度事件信号和 Retinex 原理性先验提升低光场景下的视频质量。不同于以往直接融合退化信号的方法，RetinexEVSR 引入双向跨模态融合策略，从噪声事件数据和退化 RGB 帧中提取并整合有意义线索。具体而言，设计一种 illumination-guided event enhancement 模块，通过从 Retinex 模型中推断的照明图反馈逐步细化事件特征，从而抑制低光伪影，同时保留高对比度细节。此外，我们提出基于事件的反射率增强模块，利用增强后的事件特征通过多尺度融合机制动态恢复反射率细节。实验结果表明，我们的 RetinexEVSR 在三个数据集上实现 state-of-the-art 性能。值得注意的是，在 SDSD 数据集上，我们的方法相较于先前基于事件的方法可提升最高 2.95 dB，同时运行时间缩短 65%。代码：https://github.com/DachunKai/RetinexEVSR。
引用
@article{arxiv.2601.02206,
title = {Seeing the Unseen: Zooming in the Dark with Event Cameras},
author = {Dachun Kai and Zeyu Xiao and Huyue Zhu and Jiaxiao Wang and Yueyi Zhang and Xiaoyan Sun},
journal= {arXiv preprint arXiv:2601.02206},
year = {2026}
}
备注
Accepted to AAAI 2026