面向尺度感知的低光图像增强：基于结构引导的 Transformer 设计
计算机视觉与模式识别
2025-04-22 v1
摘要
当前的低光图像增强（LLIE）技术主要依赖直接的低光（LL）到正常光（NL）映射，或依赖语义特征或照明图。然而，LLIE 的内在欠定性以及从严重受损图像中获取稳健语义的困难，阻碍了其在极端低光环境下的效果。为此，我们提出 SG-LLIE，一个受结构先验条件导引的多尺度 CNN-Transformer 混合框架。不同于采用预训练模型提取语义或照明图，我们选择基于照明不变边缘检测器提取稳健的结构先验。此外，我们在 UNet 编码器-解码器架构的每个尺度上开发了 CNN-Transformer 混合结构引导特征提取器（HSGFE）模块。除了擅长多尺度特征提取和融合的 CNN 块外，我们在每个 HSGFE 中引入结构引导 Transformer 块（SGTB），以结构先验调制增强过程。大量实验表明，我们的方法在多个 LLIE 数据集上在定量指标和视觉质量方面均实现了最先进的性能。我们的解决方案在 NTIRE 2025 低光增强挑战中名列第 2。代码已公开于 https://github.com/minyan8/imagine。
关键词
引用
@article{arxiv.2504.14075,
title = {Towards Scale-Aware Low-Light Enhancement via Structure-Guided Transformer Design},
author = {Wei Dong and Yan Min and Han Zhou and Jun Chen},
journal= {arXiv preprint arXiv:2504.14075},
year = {2025}
}
备注
Accepted by CVPR 2025 NTIRE Workshop, Structure prior, CNN-Transformer, LLIE