迈向鲁棒的事件引导低光照图像增强：大规模真实世界事件-图像数据集与新方法

事件相机因其高动态范围等独特优势，近期在低光照图像增强（LIE）领域受到了广泛关注。然而，由于缺乏大规模、真实世界且时空对齐的事件-图像数据集，当前的研究受到了极大的限制。为此，我们提出了一个包含超过 30K 对图像与事件的真实世界（室内和室外）数据集，涵盖低光照和正常光照条件。为实现这一目标，我们利用机械臂追踪一致的轨迹来构建数据集，其空间对齐精度在 0.03mm 以下。随后，我们引入了一种匹配对齐策略，使得 90% 的数据集误差小于 0.01s。基于该数据集，我们提出了一种新的事件引导 LIE 方法 EvLight，旨在在真实世界低光照场景中实现鲁棒的性能。具体而言，我们首先设计了多尺度整体融合分支，以从事件和图像中提取整体结构与纹理信息。为确保对区域光照和噪声变化的鲁棒性，我们随后引入了信噪比（SNR）引导的区域特征选择机制，选择性地融合高 SNR 区域的图像特征，并通过从事件中提取区域结构信息来增强低 SNR 区域的特征。在我们构建的数据集和合成的 SDSD 数据集上的大量实验表明，我们的 EvLight 显著优于基于帧的方法。代码和数据集可在 https://vlislab22.github.io/eg-lowlight/ 获取。