點選下方卡片，關注“CVer”公眾號
點選下方卡片，關注“CVer”公眾號
AI/CV重磅乾貨，第一時間送達
AI/CV重磅乾貨，第一時間送達
新增微訊號：CVer2233，小助手會拉你進群！
掃描下方二維碼，加入CVer學術星球！可以獲得最新頂會/頂刊上的論文idea和CV從入門到精通資料，及最前沿應用！發論文/搞科研/漲薪，強烈推薦！
新增微訊號：CVer2233，小助手會拉你進群！
掃描下方二維碼，加入CVer學術星球！可以獲得最新頂會/頂刊上的論文idea和CV從入門到精通資料，及最前沿應用！發論文/搞科研/漲薪，強烈推薦！
HVI: A New Color Space for Low-light Image Enhancement
作者：Qingsen Yan, Yixu Feng, Cheng Zhang, Guansong Pang, Kangbiao Shi, Peng Wu, Wei Dong, Jinqiu Sun, Yanning Zhang
論文：https://arxiv.org/abs/2502.20272
程式碼：https://github.com/Fediory/HVI-CIDNet
Hugging Face Demo：
https://huggingface.co/spaces/Fediory/HVI-CIDNet_Low-light-Image-Enhancement_
目前，所有的程式碼，演算法，訓練權重，基於11個數據集（LOLv1, LOLv2-real, LOLv2-synthetic, , DICM, LIME, NPE, MEF, VV, Sony-Total-Dark, SICE, LOL-Blur）的測試結果，均已開源。模型的demo也可以在hugging face網站上免費體驗到，歡迎大家來使用我們的HVI-CIDNet方法。下面我們對我們的論文進行詳細的介紹。
1. 關鍵動機
低光影像增強（LLIE）旨在提升暗光環境下捕獲影像的視覺質量，同時抑制噪聲和顏色失真。
傳統的影像增強方法大多基於常見的sRGB色彩空間，但其有個致命缺點——顏色和亮度高度耦合，增強時易引發色偏和亮度偽影。
後來，研究者改用HSV色彩空間（把顏色解耦為為色調、飽和度和亮度），雖然取得了一些進展，但增強效果始終不理想，會導致紅色與黑暗區域產生嚴重偽影。我們認為是HSV中有兩種特殊的噪點導致了這個問題（如圖1b）：
（1）紅色間斷噪點：在HSV中，紅色色調（Hue）在色環的兩端（0°和360°）是同一個顏色，但演算法處理時容易割裂，導致噪點。
（2）黑色平面噪點：低光區域的畫素亮度極低，而HSV的變換過度放大這些黑暗區域，把噪聲也過度放大，導致信噪比極低。
圖1. sRGB->HSV->HVI的顏色空間變換過程與動機。
為了解決這兩種噪聲，我們基於HSV，設計了一個HVI色彩空間。只需簡單兩步就可以解決這個問題：
（1）極座標化HS平面，讓相鄰的紅色區域在數學上更連續，徹底消除斷裂式噪點（見圖1c），確保顏色空間內相似色彩的歐氏距離最小化，提高紅色區域內的信噪比。
（2）HVI引入了一個可學習的光強壓縮函式（Ck），動態壓縮低光區域強度，抑制噪聲，同時保留高光細節，維持色彩空間級別的更高信噪比（見圖1d）。
基於HVI的特性，我們進一步設計雙分支解耦網路CIDNet來作為一個新的低光增強基準線方法。具體來說，它由下面三個核心構成：
HV分支：建模顏色不變性，分離噪聲與真實紋理；
I分支：學習光照分佈的物理約束，實現自適應亮度增強；
交叉注意力機制：透過跨分支特徵互動，聯合最佳化噪聲抑制與光照恢復過程。
實驗表明，HVI-CIDNet在10+1個基準資料集（外加一個LOL-Blur聯合任務資料集）上均達到SOTA效能。例如，在極端暗光資料集Sony-Total-Dark上，PSNR相比最優基線提升6.68 dB，且模型引數量僅1.88M，計算量7.57 GFLOPs，顯著優於現有方法。
2. HVI顏色空間變換
接下來，我將們介紹如何基於一張sRGB格式的影像，對其進行HVI正變換（sRGB->HVI）。
第一步：根據Max-RGB理論，計算每個畫素的強度（Intensity）通道，構建I-Map：
第二步：利用I-Map中畫素的值，來得到HSV中的色相（Hue）和飽和度（Saturation）：
如此，你可以發現在HSV空間中，紅色在色相端點（h=0和h=6）上間斷（數學不連續性），進而導致增強後出現紅色斷裂式噪聲。因此我們只需要將h對映到兩個新的正交分量H和V上即可解決這個問題：
第三步：因為HSV低光區域的顏色空間級別噪聲被過度放大，因此我們需要一個坍縮函式來保持相近的顏色具有更近的歐式距離。因此，我們設計了光強壓縮函式（Ck）：
其中，k為一個可學習的引數控制低光區域的壓縮強度；ε=10^-8避免梯度爆炸。
第四步：最終，我們將剛才的光強壓縮函式，飽和度（S-Map），與I-Map逐元素相乘，得到兩個最終的正交軸（HV）。將HV與I-Map按通道連線後，即可得到sRGB格式影像的HVI-Map。
3. 雙分支解耦網路CIDNet
圖2. HVI-CIDNet增強流程
CIDNet是為HVI色彩空間量身定製的雙分支低光增強網路，旨在透過解耦建模顏色（HV通道）與亮度（I通道）資訊，實現精準的噪聲抑制與光照恢復。CIDNet基於編碼器-解碼器結構，包含三個下采樣和三個上取樣層，每層都嵌入了一個輕量化交叉注意力模組（LCA）。
將低光影像變換到HVI顏色空間後，將光強圖輸入至I分支，建模光照分佈的物理約束，自適應增強全域性與區域性亮度，避免過曝/欠曝；將HVI圖輸入至HV分支，學習顏色不變性特徵，分離噪聲與真實紋理，抑制色偏與區域性偽影。
LCA的作用：
HV → I：HV分支提供噪聲分佈先驗，指導I分支在低光區域抑制過增強；
I → HV：I分支提供光照強度權重，引導HV分支在暗區加強去噪，亮區保留細節。
最後將增強後的HV圖和I圖按通道連線後，輸入至HVI逆變換模組中（PHVIT），即可得到增亮後的sRGB影像。HVI逆變換和訓練時損失函式詳見論文。
4. 實驗結果
表1 LOL基準測試結果
表2 CIDNet在DICM, LIME, NPE, MEF, VV, Sony-Total-Dark, SICE資料集上的結果
圖3. LOL視覺效果對比
圖4. 五個非配對資料集上的定性實驗結果對比
基準實驗：首先是在十個資料集（LOLv1, LOLv2-real, LOLv2-synthetic, DICM, LIME, NPE, MEF, VV, Sony-Total-Dark, SICE）上的定量實驗。如表1和表2，在LOL資料集上，CIDNet的PSNR/SSIM/LPIPS全面超越SOTA方法（如RetinexFormer、GSAD），且保持7.57GFLOPs的較低運算量。在Sony-Total-Dark和SICE這兩個大型資料集上也取得了最佳的指標。尤其是Sony-Total-Dark，PSNR 22.90 dB（比第二名提升6.68 dB）。視覺對比
雖然CIDNet在五個非配對資料集上（DICM, LIME, NPE, MEF, VV）的BRISQUE指標不如RetinexNet方法，但是卻比它更接近真實世界（如圖4）。
表3 HVI顏色空間在其它方法中的相容性對比
跨方法相容性：如表3，將HVI變換作為預處理模組應用於其他LLIE方法（如FourLIE、GSAD）後，平均PSNR提升1.2~3.5dB，且GSAD方法結合HVI後，SSIM與LPIPS均達到最佳效果。
表4 針對不同模組進行的消融實驗
圖5. 顏色空間消融實驗
圖6. CIDNet模組消融實驗
如表4，圖5，和圖6，消融實驗表明，我們所提出的光強壓縮函式，HS極座標化，和CIDNet的子模組均有效，獲得了很好的定性與定量實驗結果。
圖7. LOL-Blur視覺對比
表5 LOL-Blur基準測試結果
附加：如圖7和表5，在聯合低光影像增強和去模糊LOL-Blur資料集上也取得了最先進的結果。
何愷明在MIT授課的課件PPT下載
何愷明在MIT授課的課件PPT下載
CVPR 2025 論文和程式碼下載
CVPR 2025 論文和程式碼下載
ECCV 2024 論文和程式碼下載
ECCV 2024 論文和程式碼下載
CV垂直方向和論文投稿交流群成立
一定要備註：研究方向+地點+學校/公司+暱稱（如Mamba、多模態學習或者論文投稿+上海+上交+卡卡），根據格式備註，可更快被透過且邀請進群
▲掃碼或加微訊號: CVer2233，進交流群
CVer計算機視覺（知識星球）來了！想要了解最新最快最好的CV/DL/AI論文速遞、優質實戰專案、AI行業前沿、從入門到精通學習教程等資料，歡迎掃描下方二維碼，加入CVer計算機視覺（知識星球），已彙集上萬人！
▲掃碼加入星球學習
▲點選上方卡片，關注CVer公眾號
整理不易，請贊和在看
▲掃碼或加微訊號: CVer2233，進交流群
CVer計算機視覺（知識星球）來了！想要了解最新最快最好的CV/DL/AI論文速遞、優質實戰專案、AI行業前沿、從入門到精通學習教程等資料，歡迎掃描下方二維碼，加入CVer計算機視覺（知識星球），已彙集上萬人！
▲掃碼加入星球學習
▲點選上方卡片，關注CVer公眾號
整理不易，請贊和在看