点击下方卡片，关注“CVer”公众号
AI/CV重磅干货，第一时间送达
添加微信号：CVer2233，小助手会拉你进群！
扫描下方二维码，加入CVer学术星球！可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪，强烈推荐！
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
论文：https://arxiv.org/abs/2502.20272
代码：https://github.com/Fediory/HVI-CIDNet
Hugging Face Demo：
https://huggingface.co/spaces/Fediory/HVI-CIDNet_Low-light-Image-Enhancement_
目前，所有的代码，算法，训练权重，基于11个数据集（LOLv1, LOLv2-real, LOLv2-synthetic, , DICM, LIME, NPE, MEF, VV, Sony-Total-Dark, SICE, LOL-Blur）的测试结果，均已开源。模型的demo也可以在hugging face网站上免费体验到，欢迎大家来使用我们的HVI-CIDNet方法。下面我们对我们的论文进行详细的介绍。
1. 关键动机
低光图像增强（LLIE）旨在提升暗光环境下捕获图像的视觉质量，同时抑制噪声和颜色失真。
传统的图像增强方法大多基于常见的sRGB色彩空间，但其有个致命缺点——颜色和亮度高度耦合，增强时易引发色偏和亮度伪影。
后来，研究者改用HSV色彩空间（把颜色解耦为为色调、饱和度和亮度），虽然取得了一些进展，但增强效果始终不理想，会导致红色与黑暗区域产生严重伪影。我们认为是HSV中有两种特殊的噪点导致了这个问题（如图1b）：
（1）红色间断噪点：在HSV中，红色色调（Hue）在色环的两端（0°和360°）是同一个颜色，但算法处理时容易割裂，导致噪点。
（2）黑色平面噪点：低光区域的像素亮度极低，而HSV的变换过度放大这些黑暗区域，把噪声也过度放大，导致信噪比极低。
图1. sRGB->HSV->HVI的颜色空间变换过程与动机。
为了解决这两种噪声，我们基于HSV，设计了一个HVI色彩空间。只需简单两步就可以解决这个问题：
（1）极坐标化HS平面，让相邻的红色区域在数学上更连续，彻底消除断裂式噪点（见图1c），确保颜色空间内相似色彩的欧氏距离最小化，提高红色区域内的信噪比。
（2）HVI引入了一个可学习的光强压缩函数（Ck），动态压缩低光区域强度，抑制噪声，同时保留高光细节，维持色彩空间级别的更高信噪比（见图1d）。
基于HVI的特性，我们进一步设计双分支解耦网络CIDNet来作为一个新的低光增强基准线方法。具体来说，它由下面三个核心构成：
HV分支：建模颜色不变性，分离噪声与真实纹理；
I分支：学习光照分布的物理约束，实现自适应亮度增强；
交叉注意力机制：通过跨分支特征交互，联合优化噪声抑制与光照恢复过程。
实验表明，HVI-CIDNet在10+1个基准数据集（外加一个LOL-Blur联合任务数据集）上均达到SOTA性能。例如，在极端暗光数据集Sony-Total-Dark上，PSNR相比最优基线提升6.68 dB，且模型参数量仅1.88M，计算量7.57 GFLOPs，显著优于现有方法。
2. HVI颜色空间变换
接下来，我将们介绍如何基于一张sRGB格式的图像，对其进行HVI正变换（sRGB->HVI）。
第一步：根据Max-RGB理论，计算每个像素的强度（Intensity）通道，构建I-Map：
第二步：利用I-Map中像素的值，来得到HSV中的色相（Hue）和饱和度（Saturation）：
如此，你可以发现在HSV空间中，红色在色相端点（h=0和h=6）上间断（数学不连续性），进而导致增强后出现红色断裂式噪声。因此我们只需要将h映射到两个新的正交分量H和V上即可解决这个问题：
第三步：因为HSV低光区域的颜色空间级别噪声被过度放大，因此我们需要一个坍缩函数来保持相近的颜色具有更近的欧式距离。因此，我们设计了光强压缩函数（Ck）：
其中，k为一个可学习的参数控制低光区域的压缩强度；ε=10^-8避免梯度爆炸。
第四步：最终，我们将刚才的光强压缩函数，饱和度（S-Map），与I-Map逐元素相乘，得到两个最终的正交轴（HV）。将HV与I-Map按通道连接后，即可得到sRGB格式图像的HVI-Map。
3. 双分支解耦网络CIDNet
图2. HVI-CIDNet增强流程
CIDNet是为HVI色彩空间量身定制的双分支低光增强网络，旨在通过解耦建模颜色（HV通道）与亮度（I通道）信息，实现精准的噪声抑制与光照恢复。CIDNet基于编码器-解码器结构，包含三个下采样和三个上采样层，每层都嵌入了一个轻量化交叉注意力模块（LCA）。
将低光图像变换到HVI颜色空间后，将光强图输入至I分支，建模光照分布的物理约束，自适应增强全局与局部亮度，避免过曝/欠曝；将HVI图输入至HV分支，学习颜色不变性特征，分离噪声与真实纹理，抑制色偏与局部伪影。
LCA的作用：
HV → I：HV分支提供噪声分布先验，指导I分支在低光区域抑制过增强；
I → HV：I分支提供光照强度权重，引导HV分支在暗区加强去噪，亮区保留细节。
最后将增强后的HV图和I图按通道连接后，输入至HVI逆变换模块中（PHVIT），即可得到增亮后的sRGB图像。HVI逆变换和训练时损失函数详见论文。
4. 实验结果
表1 LOL基准测试结果
表2 CIDNet在DICM, LIME, NPE, MEF, VV, Sony-Total-Dark, SICE数据集上的结果
图3. LOL视觉效果对比
图4. 五个非配对数据集上的定性实验结果对比
基准实验：首先是在十个数据集（LOLv1, LOLv2-real, LOLv2-synthetic, DICM, LIME, NPE, MEF, VV, Sony-Total-Dark, SICE）上的定量实验。如表1和表2，在LOL数据集上，CIDNet的PSNR/SSIM/LPIPS全面超越SOTA方法（如RetinexFormer、GSAD），且保持7.57GFLOPs的较低运算量。在Sony-Total-Dark和SICE这两个大型数据集上也取得了最佳的指标。尤其是Sony-Total-Dark，PSNR 22.90 dB（比第二名提升6.68 dB）。视觉对比
虽然CIDNet在五个非配对数据集上（DICM, LIME, NPE, MEF, VV）的BRISQUE指标不如RetinexNet方法，但是却比它更接近真实世界（如图4）。
表3 HVI颜色空间在其它方法中的兼容性对比
跨方法兼容性：如表3，将HVI变换作为预处理模块应用于其他LLIE方法（如FourLIE、GSAD）后，平均PSNR提升1.2~3.5dB，且GSAD方法结合HVI后，SSIM与LPIPS均达到最佳效果。
表4 针对不同模块进行的消融实验
图5. 颜色空间消融实验
图6. CIDNet模块消融实验
如表4，图5，和图6，消融实验表明，我们所提出的光强压缩函数，HS极坐标化，和CIDNet的子模块均有效，获得了很好的定性与定量实验结果。
图7. LOL-Blur视觉对比
表5 LOL-Blur基准测试结果
附加：如图7和表5，在联合低光图像增强和去模糊LOL-Blur数据集上也取得了最先进的结果。
何恺明在MIT授课的课件PPT下载
在CVer公众号后台回复：何恺明，即可下载本课程的所有566页课件PPT！赶紧学起来！
CVPR 2025 论文和代码下载
在CVer公众号后台回复：CVPR2025，即可下载CVPR 2025论文和代码开源的论文合集ECCV 2024 论文和代码下载
在CVer公众号后台回复：ECCV2024，即可下载ECCV 2024论文和代码开源的论文合集CV垂直方向和论文投稿交流群成立
扫描下方二维码，或者添加微信号：CVer2233，即可添加CVer小助手微信，便可申请加入CVer-垂直方向和论文投稿微信交流群。另外其他垂直方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer、NeRF、3DGS、Mamba等。
一定要备注：研究方向+地点+学校/公司+昵称（如Mamba、多模态学习或者论文投稿+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群▲扫码或加微信号: CVer2233，进交流群
CVer计算机视觉（知识星球）来了！想要了解最新最快最好的CV/DL/AI论文速递、优质实战项目、AI行业前沿、从入门到精通学习教程等资料，欢迎扫描下方二维码，加入CVer计算机视觉（知识星球），已汇集上万人！
▲扫码加入星球学习▲点击上方卡片，关注CVer公众号
整理不易，请赞和在看
扫一扫
66
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
