SurroundNet：面向高效低光照图像增强
计算机视觉与模式识别
2025-10-01 v1
摘要
尽管卷积神经网络（CNNs）在低光照图像增强任务中已取得实质性进展，CNNs 的一个关键问题是模型复杂度与性能的悖论。本文提出一种新颖的 SurroundNet，其参数量不到 150（相较 SOTAs 规模缩减约 80–98%），且取得极具竞争力的性能。所提网络由若干自适应 Retinex 块（ARBlock）组成，可视为单尺度 Retinex 在特征空间中的新颖扩展。我们 ARBlock 的核心是一个称为自适应包围函数（ASF）的高效照度估计函数。它可被视为包围函数的通用形式，并由卷积层实现。此外，我们还引入低曝光去噪器（LED）以在增强前对低光照图像进行平滑。我们在真实世界低光照数据集上评估所提方法。实验结果表明，我们提交的 SurroundNet 在性能与网络参数上均优于当前最优低光照图像增强方法。代码见 https: github.com/ouc-ocean-group/SurroundNet。
引用
@article{arxiv.2110.05098,
title = {SurroundNet: Towards Effective Low-Light Image Enhancement},
author = {Fei Zhou and Xin Sun and Junyu Dong and Haoran Zhao and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2110.05098},
year = {2025}
}