一种基于通道先验和伽马校正的轻量级低光图像增强网络
内容提要
本文综述低光图像增强（LLIE）研究，涵盖FLIGHT-Net轻量网络、BCNet着色增强、基于强化学习的ReLLIE、结合CNN与Transformer的ClassLIE及扩散模型等方法，并介绍相关数据集与评估平台，各方法在客观指标和视觉效果上均表现优异。
延伸解读
轻量化设计的实际意义
FLIGHT-Net仅使用25K参数，在低光增强任务中实现了最新性能。这种极轻量设计意味着模型可以部署在计算资源有限的设备上，如移动端或嵌入式系统，从而扩展了低光增强技术的应用场景。同时，它通过像素级场景依赖的照明调整和通道注意力机制，在保持高效的同时解决了直方图抑制和低信噪比问题。
多样化技术路线的比较
文章涵盖了多种低光增强方法：FLIGHT-Net的轻量网络、BCNet的着色增强、ReLLIE的强化学习、ClassLIE的CNN与Transformer结合、以及扩散模型等。这些方法各有侧重：BCNet支持用户偏好定制，ReLLIE通过策略学习处理多种低光数据，ClassLIE在LOL数据集上达到PSNR 25.74和SSIM 0.92。读者可根据应用需求选择合适方案。
评估基准与平台的价值
文章介绍了一个包含多种拍摄设备低光图像的数据集和在线评估平台，可对流行算法进行定性和定量评估，且平台、数据集和指标公开并定期更新。这为研究者提供了统一的比较基准，有助于推动低光增强领域的可重复研究。同时，文章提到将增强算法作为前处理步骤可显著提高低光条件下的面部检测性能，展示了实际应用潜力。
Q&A
低光图像增强有哪些主流方法？
文章综述了多种低光图像增强方法，包括轻量级网络FLIGHT-Net、基于着色的BCNet、基于强化学习的ReLLIE、结合CNN与Transformer的ClassLIE、基于Transformer的方法、基于扩散模型的方法等。
FLIGHT-Net有什么特点？
FLIGHT-Net是一种轻量级低光图像增强网络，使用一系列神经架构模块解决低照度下直方图抑制和信噪比低的问题，通过像素级场景依赖的照明调整来调节照明条件，其高效架构仅使用25K个参数，并实现了最新的性能。
BCNet如何实现低光图像增强？
BCNet是一种“明亮和着色”网络，通过引入图像着色来解决低光条件下图像增强的问题，并实现基于用户偏好的不同饱和度和颜色风格的定制增强。
ReLLIE方法有什么创新点？
ReLLIE是一种基于深度强化学习的低光图像增强方法，将LLIE建模为马尔可夫决策过程，使用轻量级网络计算像素级图像特定曲线，利用非参照损失函数计算的奖励来增强输入的低光图像。它不是进行一一图像转换，而是学习策略，从而可以处理各种低光测量数据，提供定制增强输出。
ClassLIE在低光图像增强上的表现如何？
ClassLIE是一种结合CNN和Transformer的新型框架，通过综合和区域化的方式对低光图像中的结构和光照信息进行分类和自适应学习，显示出更好的增强性能。实验证明，ClassLIE在五个基准数据集上达到了最先进的表现，LOL数据集上的PSNR和SSIM分别为25.74和0.92。
基于扩散模型的低光图像增强方法有什么特点？
文章提出了一种基于扩散模型的飞行器低光图像增强方法，通过一种数据集收集方案和自动化的物理模拟生成器来对数据进行预处理。该方法在图像亮度增强方面表现更好，在图像质量方面与以前的方法相当。
