CVPR DarkIR：低光图像增强与去模糊一体化

DarkIR专门解决夜间拍摄最头疼的组合拳问题："又黑、又噪、又糊"！

现有的 AI 通常只能把照片"提亮"，但解决不了因为长曝光带来的运动模糊。DarkIR 提出了一个高效的 CNN 架构，把提亮和去模糊一锅端了。

1️⃣ 核心痛点：夜景不只是"黑"

我们拍夜景时，为了进光量通常会延长曝光时间，结果手一抖，照片就糊了。

传统的低光增强模型只负责提亮，结果是"把模糊的照片变亮了"，依然没法看。DarkIR 的目标是：既要亮，又要清晰！

2️⃣ 核心架构：非对称 U-Net

作者没有像 Transformer 那样堆算力，而是设计了一个非对称的 CNN。

编码器 (Encoder)：专门负责"开灯"（低光增强）。

解码器 (Decoder)：专门负责"修图"（去模糊）。

架构指导损失：中间加了一个 Loss，强制要求编码器输出的一定要是"光照正常"的特征，效率极高。

3️⃣ 提亮魔法：Fre-MLP (频域调色)

它不直接在像素上硬算，而是把图像转到傅里叶频域。

原理：光照信息主要集中在幅值上。在频域里调整幅值，不仅计算量小，而且能全局性地改善亮度，不会出现局部过曝。

4️⃣ 去糊魔法：Di-SpAM (大感受野)

去模糊需要看清物体运动的轨迹，所以感受野要大。

作者用了空洞卷积并行设计（空洞率 1, 4, 9），相当于给模型装上了广角镜，能捕捉大范围的上下文信息，精准还原清晰边缘。

5️⃣ 实验结果：SOTA 且高效

视觉对比：看对比图非常明显！RetinexFormer 等 SOTA 模型提亮后，文字和边缘依然是重影的；而 DarkIR 恢复出的图像边缘锐利，噪点极少。

效率：参数量仅为 2.8M，比许多 Transformer 模型轻得多，推理速度更快，非常适合部署在手机等端侧设备上。

总结：DarkIR 提供了一个多任务协同的新思路，证明了高效的 CNN 配合频域和空洞卷积！

#计算机视觉 #科研 #深度学习 #提供思路和创新点 #论文 #论文分享 #图像复原 #低光图像增强 #创新点实现 #科研学习