当前位置：首页 > news >正文

【CVPR 2025】即插即用DarkIR，频域-空间协同的高效暗光恢复！

news 2025/7/23 6:43:49

1. 【前言】

低光环境下的图像往往伴随噪声、模糊等退化问题，传统方法多将去模糊与低光增强任务独立处理，难以应对复杂场景。CVPR2025论文《DarkIR: Robust Low-Light Image Restoration》提出了一种高效鲁棒的多任务神经网络DarkIR，通过结合频域与空间域信息，设计轻量化注意力机制，在低光图像恢复任务中实现了性能与效率的双重突破。

2.【论文基本信息】

论文标题：DarkIR: Robust Low-Light Image Restoration
作者：Daniel Feijoo, Juan C. Benito, Alvaro Garcia, Marcos V. Conde
机构：Cidaut AI（西班牙）、维尔茨堡大学计算机视觉实验室（德国）
开源代码：https://github.com/cidautai/DarkIR
核心任务：低光图像增强、去模糊、去噪的多任务联合恢复

➔➔➔➔点击查看原文，获取更多即插即用模块合集
在这里插入图片描述

3.【创新点概述】

3.1 频域-空间域协同建模

频域增强：利用傅里叶变换的振幅特性，在低分辨率下高效校正光照，避免传统方法在时域处理的高计算成本。
空间域去模糊：通过扩张卷积构建大感受野空间注意力模块（Di-SpAM），针对性解决长曝光导致的运动模糊。

3.2 轻量化架构设计

采用非对称编解码器结构：编码器专注低光增强（频域处理），解码器聚焦去模糊（空间域上采样），减少参数冗余。
引入简化通道注意力（SCA）和门控FFN，替代复杂激活函数，降低计算量的同时保持性能。

3.3 多任务联合优化

设计包含像素损失、感知损失、边缘损失和架构引导损失的复合损失函数，确保光照、细节和结构的全面恢复。
在LOLBlur、Real-LOLBlur等数据集上实现state-of-the-art，参数比LEDNet减少55%，MAC操作减少4倍。

4.【整体架构流程】

在这里插入图片描述

4.1 编码器（EBlock）：频域低光增强

傅里叶域处理：通过快速傅里叶变换（FFT）操作于振幅分量，增强光照相关的低频信息，再经逆傅里叶变换（IFFT）返回空间域。
空间注意力（SpAM）：结合倒置残差块与简化通道注意力，提取光照增强所需的空间特征。
低分辨率重建：编码器输出8倍下采样的光照校正图像，用于架构引导损失的正则化。

4.2 解码器（DBlock）：空间域去模糊

扩张空间注意力（Di-SpAM）：采用扩张因子1、4、9的深度卷积提取多尺度特征，结合通道注意力增强细节交互，解决长距离依赖问题。
门控FFN：替代传统激活函数，通过线性变换与门控机制提升计算效率。
上采样重建：基于编码器的光照增强特征，逐步上采样并恢复图像锐度，生成最终清晰图像。

4.3 损失函数设计

像素损失：(L1)范数约束增强图像与真实图像的像素级差异。
感知损失：基于VGG19的LPIPS损失，保证视觉语义相似性。
边缘损失：梯度L2损失，强化高频边缘结构的恢复。
架构引导损失：约束编码器输出的上采样结果与真实图像的一致性，确保光照校正效果。

4.4 核心模块对比

模块	传统方法局限	DarkIR创新设计	优势
光照增强	时域处理计算密集	频域振幅增强+低分辨率重建	计算量降低50%
去模糊	小感受野难以处理长曝光模糊	扩张卷积+Di-SpAM	有效感受野扩大3倍
注意力机制	Transformer计算冗余	简化通道注意力+门控FFN	参数减少60%

5.【实验结果】

5.1 消融实验

5.1.1 模块有效性验证

实验设置：在LOLBlur数据集上验证EBlock、DBlock及Di-SpAM的贡献。
关键结果：
- 仅用EBlock时PSNR为26.17dB，加入DBlock后提升至26.90dB，证明去模糊模块的必要性；
- Di-SpAM相比传统大核注意力（LKA），参数减少18.5%，PSNR提升0.55dB。

5.1.2 频域处理必要性

移除傅里叶域增强后，PSNR下降0.6dB，验证频域振幅调整对光照恢复的关键作用。

5.2 低光去模糊任务对比

5.2.1 定量结果

数据集：LOLBlur（合成）、Real-LOLBlur（真实场景）。
关键指标：
- 在LOLBlur上，DarkIR-m的PSNR达27.00dB，比LEDNet提升1.26dB，参数仅为其44.7%（3.31M vs. 7.4M）；
- Real-LOLBlur中，DarkIR的盲评指标MUSIQ达48.79，超越RetinexFormer、Restormer等。