Self-DACE++: 基于高效自适应曲线估计的鲁棒低光增强方法
计算机视觉与模式识别
2026-05-01 v2
摘要
本文提出Self-DACE++，这是一种改进版的无监督轻量级低光图像增强（LLIE）框架，基于我们先前的Self-Reference Deep Adaptive Curve Estimation（Self-DACE）。为更好地解决计算效率与恢复质量之间的权衡，Self-DACE++引入了增强的自适应调整曲线（AACs）。这些曲线由最小可训练参数控制，可灵活调整动态范围，同时保持增强图像的色彩忠实性、结构完整性和自然性。为实现极致轻量化架构而不牺牲性能，我们提出了随机顺序训练策略结合网络融合机制，将模型压缩为高效的迭代推理结构。此外，我们基于Retinex理论构建了物理驱动的目标函数，并引入专用去噪模块有效估计并抑制暗区域中的潜在噪声。在多个真实世界基准数据集上进行了广泛的定性和定量评估，结果表明Self-DACE++在提升质量方面优于现有最先进方法，同时实现实时推理。代码已公开于 https://github.com/John-Wendell/Self-DACE。
引用
@article{arxiv.2604.25367,
title = {Self-DACE++: Robust Low-Light Enhancement via Efficient Adaptive Curve Estimation},
author = {Jianyu Wen and Jun Xie and Feng Chen and Zhepeng Wang and Chenhao Wu and Tong Zhang and Yixuan Yu and Piotr Swierczynski},
journal= {arXiv preprint arXiv:2604.25367},
year = {2026}
}