<mark id="oztn4"></mark>
0
| 本文作者： 陳淑瑜 | 2026-07-24 11:34 | 專題：IJCAI：國際人工智能聯合會議 |
標題： InterLight: Leveraging Intrinsic Illumination Priors for Low-Light Image Enhancement
作者： Ziqi Wang，Xu Zhang，Laibin Chang，Shi Chen，Jiaqi Ma，Huan Zhang
單位：
會議/期刊： IJCAI 2026
論文鏈接： https://arxiv.org/abs/2605.19982
項目鏈接： https://github.com/House-yuyu/InterLight
低光照圖像增強（Low-Light Image Enhancement, LLIE）一直是計算機視覺中的經典問題。在光照不足場景下，圖像往往會出現亮度低、噪聲重、顏色失真以及細節缺失等問題，不僅影響視覺觀感，也會降低檢測、分割等下游任務的性能。
近年來，基于深度學習與 Retinex 理論的方法在低光增強領域取得了明顯進展，但現有方法仍存在幾個關鍵問題：一方面，它們容易出現過增強、顏色漂移等現象；另一方面，大多數方法默認噪聲分布均勻或光照理想，忽視了低光圖像本身所蘊含的“內在光照先驗”。
為了解決這些問題，論文提出了一個新的低光增強框架——InterLight。該方法不再僅僅將低光增強視為普通的圖像翻譯任務，而是構建了一套“光照感知”的增強流程。具體來說，作者通過物理引導的數據增強模擬真實傳感器響應，通過退化提示（Prompt）建模場景的光照狀態，并設計亮度門控記憶模塊，在暗區域重點恢復缺失信息，在亮區域盡量保持原始細節。
大量實驗結果表明，InterLight在 LOL、SID、SICE 等多個低光數據集上均取得了優異表現，生成結果在紋理、亮度與顏色一致性方面明顯優于現有方法。
低光照圖像增強的核心目標，說白了就是：
“把黑乎乎的照片修得清晰自然。”
但這個任務實際上非常困難。
因為低光圖像不僅僅是“亮度低”這么簡單，它還會伴隨：
傳統方法，比如直方圖均衡化、Retinex增強等，通常依賴人工設計規則。這類方法雖然簡單，但面對復雜真實場景時往往不穩定。
后來深度學習方法開始興起，例如：
這些方法通過神經網絡學習“低光→正常光”的映射關系，效果相比傳統方法提升很多。
但作者發現：
它們雖然使用了Retinex、顏色空間等“先驗”，但并沒有真正深入利用：
低光圖像本身所蘊含的“內在光照規律（Intrinsic Illumination Prior）”。
例如：
然而現有方法通常使用統一增強策略。
結果就是：
因此作者提出：
能否構建一種“真正理解光照退化”的低光增強框架？
于是，InterLight誕生了。
InterLight不再將低光增強簡單視作圖像翻譯，而是圍繞“光照先驗”構建完整增強流程。整個網絡從數據增強、退化建模到特征恢復，均顯式考慮低光場景中的物理與統計規律，使模型更符合真實低光成像過程。
作者設計了 Intrinsic-Consistent Data Expansion（ICDE）模塊，通過物理引導增強（PGA）模擬真實傳感器響應，同時利用一致性約束（PIC）保證增強前后結構穩定性。相比普通數據增強，這種方式更符合真實低光退化規律。
作者設計了一個可學習退化字典（Degradation Dictionary），用于提取不同圖像的退化特征，并生成對應 Prompt。這樣網絡可以根據圖像當前退化程度動態調整增強策略，實現更加智能的恢復。
傳統卷積難以恢復嚴重缺失細節，因此作者引入記憶機制。LGIM能夠根據區域亮度動態決定恢復強度：
這種設計顯著提升了細節恢復能力，同時避免過增強。
InterLight采用了最新提出的 HVI 色彩空間，將亮度與顏色信息有效分離。相比RGB空間直接增強，HVI空間更加適合低光場景下的顏色恢復與噪聲抑制。
這一部分是論文核心。
整體框架如圖所示，InterLight主要由以下幾個模塊組成：
下面逐步解析。
InterLight整體流程如下：
輸入低光圖像后，首先進行物理引導增強，模擬不同傳感器響應。
網絡分析圖像當前退化程度，并生成對應的 degradation prompt。
圖像被轉換到 HVI 色彩空間：
實現亮度與顏色解耦。
網絡采用雙分支結構：
并通過跨分支交互共享信息。
利用記憶模塊補償暗區域缺失細節。
最后重新恢復為 RGB 圖像輸出。
論文使用了 CIDNet 中提出的 HVI 色彩空間。
傳統RGB空間的問題在于：
因此作者將圖像轉換為：
核心思想是：
亮度單獨恢復，顏色單獨修正。
這樣可以顯著減少顏色漂移問題。
同時作者還引入密度函數：
C_k=\left(\sin\left(\frac{\pi P}{2}\right)+\epsilon\right)^k
它能夠在暗區域自動削弱不可靠顏色信息。
這是論文非常重要的設計。
作者認為：
普通增強（隨機亮度、隨機顏色）并不符合真實低光成像規律。
因此提出：
其核心是：
通過輕量 Gamma 變化模擬真實傳感器響應。
公式如下：
I_{pga}=\alpha I^{\gamma}+(1-\alpha)I
其中：
避免：
作者進一步要求：
同一圖像經過不同擾動后，其增強結果應保持一致。
因此引入 consistency loss。
這樣模型能夠學習：
“真正穩定的光照特征”。
這是論文最核心的創新之一。
作者發現：
不同圖像退化程度差異巨大。
例如：
它們需要完全不同增強策略。
因此作者提出：
即：
維護一個可學習退化字典。
網絡會自動學習：
然后根據輸入圖像動態組合生成 Prompt。
其生成方式為：
p=\phi\left(\sum_{k=1}^{K}\alpha_k d_k\right)
這樣網絡可以：
這是論文區別于普通Transformer增強模型的重要點。
PRFB模塊負責：
“利用退化Prompt指導特征恢復”。
它會根據退化信息動態調節：
簡單理解：
網絡會根據圖像“病情”決定“治療方案”。
嚴重退化 → 強恢復 輕微退化 → 弱恢復
因此增強結果更加穩定自然。
這是論文另一個非常亮眼的設計。
作者認為：
卷積只能看到局部。
但很多暗區域：
實際上已經“沒有有效信息”。
因此僅靠卷積恢復是不夠的。
LGIM維護一個記憶庫：
當暗區域信息缺失時：
網絡會主動查詢記憶庫。
類似：
“參考歷史經驗進行補全”。
但作者并不希望：
所有區域都強行補細節。
因此提出亮度門控：
對應公式：
F_{out}=F_{in}+\lambda(1+\sigma(\eta)(1-g))F_{mem}
這一設計很好解決了：
問題。
論文在多個主流低光數據集上進行測試：
這些數據集覆蓋：
具有較強代表性。
主要使用：
衡量恢復質量。
包括：
等多個SOTA方法。
如表所示，InterLight在多個LOL子集上均取得 領先 結果。
例如：
InterLight達到：
取得當前最優性能。
相比 CIDNet：
PSNR提升約：
說明：
單純HVI空間還不夠，真正有效的是“內在光照先驗”。
如表所示：
InterLight在 SID 數據集達到：
超過 CIDNet。
SID場景極其困難：
而InterLight依然穩定領先。
說明：
LGIM與ADPG確實提升了極暗場景恢復能力。
如表所示：
完整模型相比Baseline提升：
其中：
說明：
三個模塊都有效，且具有互補性。
尤其LGIM貢獻非常明顯。
如 Figure 3 所示：
相比 RetinexFormer 與 CIDNet：
InterLight具有：
特別是在：
表現更加穩定。
如圖所示：
InterLight在文字區域恢復效果明顯更自然。
其他方法容易：
而InterLight能夠恢復：
說明其記憶恢復機制確實有效。
InterLight是一篇非常典型的：
“從先驗理解出發”的低光增強工作。
相比傳統方法單純提升亮度，作者真正關注：
論文最大亮點主要有三個：
尤其LGIM設計非常有啟發性。
它說明：
未來低光增強可能不再只是卷積或Transformer競爭，而會逐漸走向：
“先驗+記憶+動態恢復”的方向。
未來工作中：
都可能成為進一步研究方向。
本文旨在分享作者對原論文的學習成果與心得體會，因受制于個人知識水平和理解能力，文中對原論文內容的解讀可能存在不盡完善之處，最終解釋權以原論文為準。本文僅用于學術傳播和交流，內容均由作者獨立整理，不代表本公眾號的觀點。如文中涉及的文字、圖片及其他作品在版權或其他相關事宜上存在爭議，歡迎及時與作者聯系，作者將在第一時間回復并妥善處理。
專題
本專題其他文章
