arXiv cs.AI· Yicui Shi, Yuhan Chen, Xiangfei Huang, Zhenguo Wang, Wenxuan Yu, Ying Fang, Jie Li, Guofa Li·· 11 小时前AI 评分18
CueDR-Net：面向低光照图像增强的线索引导双路径重建与自适应多尺度响应细化
Cue-guided dual-path reconstruction with adaptive multi-scale response refinement for low-light image enhancement
AI 导读
研究者提出 CueDR-Net，一个通过双向线索交互与自适应多尺度细化，将亮度调整与局部内容重建结合的双路径低光照图像增强网络。其固定提取器从输入图像导出亮度变化、颜色与纹理线索图，经双向注意力与图像流交换特征，分别驱动逐像素亮度调整和残差修正。
正文 · AI 翻译
摘要：低光照图像增强（LLIE）在光子捕获受限和传感器噪声导致图像质量下降时，为光学感知和场景观察提供支持。然而，现有方法可能在增强图像中引入颜色偏差或模糊局部细节。为应对这一挑战，我们提出 CueDR-Net，这是一种双路径网络，通过双向线索交互和自适应多尺度细化，将亮度调整与局部内容重建相结合。具体而言，一个固定提取器从输入图像中导出亮度变化、颜色和纹理线索图。这些图被编码在线索流中，并通过双向注意力与图像流交换特征。交换后的特征支持亮度调整和局部内容重建两条路径。亮度调整路径预测逐像素调整图，以控制输入图像的迭代强度变化。与此同时，残差路径利用交换后的特征预测用于局部内容重建的加性校正。为捕获跨尺度的弱结构，自适应多尺度响应细化卷积（AMRRConv）对用于两种预测的特征进行细化。它使用逐像素权重，将可学习的局部过渡响应与来自分解三平面滤波的多尺度特征相融合。调整后的图像与校正相加，再映射为增强图像。在 LOLv1、LSRW-HUAWEI 和 LSRW-NIKON 上的评估展示了具有竞争力的增强性能，并得到消融研究的支持。当集成到 YOLOv11 中时，AMRRConv 还以较小的颈部参数量实现了具有竞争力的低光照检测性能。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2603.16482 [cs.CV] |
| （或本版本的 arXiv:2603.16482v2 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2603.16482 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yuhan Chen [查看电子邮件]
[v1]
2026年3月17日星期二 13:07:32 UTC（38,291 KB）
[v2]
2026年11月4日星期三 17:23:39 UTC（38,249 KB）
来源：arXiv cs.AI · arxiv.org