SPJFNet：面向超高效暗色图像修复的自掘矿先验导向联频增强网络
计算机视觉与模式识别
2025-08-07 v1
摘要
当前暗色图像修复方法面临严重的效率瓶颈，主要源于：（1）依赖外部先验（手动或跨模态）导致的计算负担和误差纠正成本；（2）复杂多阶段增强流水线中的冗余操作；（3）频域方法对频率成分处理不均导致的过度全局计算需求。为解决这些挑战，我们提出了一种高效自掘矿先验导向联频增强网络 SPJFNet。具体而言，我们首次引入自掘矿引导模块（SMGM），直接从网络中生成轻量级内生引导，消除对外部先验的依赖，从而规避误差纠正开销并提升推理速度。其次，通过对不同频域特征的细致分析，我们将多级操作链重构并压缩为单个高效操作，利用无损小波分解和联合傅里叶-based 有利频率增强，显著降低参数量。建立在此基础上，我们提出双频率引导框架（DFGF），策略性地部署专门的高/低频率分支（小波域高频增强和傅里叶域低频恢复），将频率处理解耦，大幅降低计算复杂度。严格的评估表明，SPJFNet 不仅超越了最先进的性能，还实现了显著的效率提升，大幅降低模型复杂度和计算开销。代码已公开于 https://github.com/bywlzts/SPJFNet。
引用
@article{arxiv.2508.04041,
title = {SPJFNet: Self-Mining Prior-Guided Joint Frequency Enhancement for Ultra-Efficient Dark Image Restoration},
author = {Tongshun Zhang and Pingling Liu and Zijian Zhang and Qiuzhan Zhou},
journal= {arXiv preprint arXiv:2508.04041},
year = {2025}
}