低光图像增强新突破！HVI 色彩空间 + CIDNet 网络如何攻克红黑噪声难题？

已于 2025-03-13 17:04:34 修改
阅读量176 收藏
点赞数
分类专栏： Paper Reading Deep Learning 文章标签： 深度学习 人工智能
于 2025-03-13 17:04:06 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shanglianlm/article/details/146233203
版权

🔥低光图像增强新突破！HVI 色彩空间 + CIDNet 网络如何攻克红黑噪声难题？
深度学习论文: HVI: A New Color Space for Low-light Image Enhancement
HVI: A New Color Space for Low-light Image Enhancement
PDF: https://arxiv.org/abs/2502.20272
PyTorch代码: https://github.com/shanglianlm0525/CvPytorch
PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks

1 概述

低光照图像增强（LLIE）作为计算机视觉领域的核心任务，旨在从退化的暗光图像中恢复清晰细节。传统基于标准 RGB（sRGB）空间的增强方法，由于对颜色变化过于敏感，常导致图像出现明显的色彩偏移和亮度失真。尽管转换到 HSV（色调 / 饱和度 / 明度）空间能部分改善

了解本专栏 订阅专栏 解锁全文 超级会员免费看
（CVPR 2025）突破低光照图像增强瓶颈！你只需要一个HVI色彩空间
Angelina_Jolie的博客
03-06 1508
将HV与I-Map按通道连接后，即可得到sRGB格式图像的HVI-Map。（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）。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。
R2RNet: Low-light Image Enhancement via Real-low to Real-normal Network
wyj2228785069的博客
01-10 2640
R2RNet笔记
【论文笔记】—低光图像增强—Supervised—URetinex-Net—2022-CVPR
chaiky的博客
09-02 1万+
【题目】：URetinex-Net: Retinex-based Deep Unfolding Network for Low-light Image Enhancement 提出了一种基于Retinex的 deep unfolding network （URetinex-Net），它将一个优化问题展开为一个可学习的网络，以将低光图像分解为反射层和光照层。通过将分解问题公式化为隐式先验正则化模型，精心设计了三个基于学习的模块，分别负责数据相关的初始化、高效的展开优化和用户指定的光照增强。
HVI-CIDNet：低光照图像增强新选择
gitblog_00023的博客
04-08 944
HVI-CIDNet：低光照图像增强新选择 HVI-CIDNet [CVPR2025] HVI: A New Color Space for Low-light Image Enhancement && "You Only Need One Color Space: An Efficient Network for Lo...
CVPR2025 | 西北工大等单位提出HVI：一种新色彩空间+CIDNet，助力低光图像增强！
helloaiti的博客
04-07 875
转换到HSV颜色空间后，虽然照明增强效果看起来更正常，但图像中出现了红色不连续性噪声（如红色区域的噪声）和黑色平面噪声（黑色区域的异常），这些噪声在增强后的图像中形成了明显的伪影，影响图像质量。在低光条件下，成像传感器捕获的图像存在噪声多、视觉质量差的问题，低光图像增强（LLIE）旨在改善图像亮度、减少噪声和颜色偏差。在转换过程中，通过一系列的计算和变换，调整图像的饱和度和亮度，使得最终输出的sRGB增强图像在视觉上更加自然、准确，同时保留了HVI颜色空间在增强过程中所带来的优势，如减少颜色偏差和噪声等。
探秘R2RNet：低光照图像增强的新里程碑
gitblog_00007的博客
06-15 1092
探秘R2RNet：低光照图像增强的新里程碑 去发现同类优质开源项目:https://gitcode.com/ 在数字摄影领域，低光照条件下的图像质量一直是一个亟待解决的问题。【R2RNet】((https://www.sciencedirect.com/science/article/pii/S1047320322002322)[arxiv]) 是一个创新的解决方案，它提供了一个强大的框架来提升低...
发现暗夜的明眸：R2RNet——低光照图像增强的利器
gitblog_00038的博客
06-15 1000
发现暗夜的明眸：R2RNet——低光照图像增强的利器 去发现同类优质开源项目:https://gitcode.com/ 在图像处理的世界里，点亮黑暗的每一个角落是一项挑战，而开源社区从未停止探索的脚步。今天，让我们一起揭开【R2RNet**】的神秘面纱，这款由Jiang Hai等研究人员打造的低光图像增强工具，它以“从真实低光到真实正常网络”（Real-low to Real-normal Net...
YOLOv11融合[CVPR2025]HVI-CIDNet中的HV_LCA模块
深度学习炼丹师，偶尔分享炼丹技术!
04-01 1371
低光图像增强 （LLIE） 是一项重要的计算机视觉任务，旨在从损坏的低光图像中恢复详细的视觉信息。许多现有的 LLIE 方法都基于标准 RGB （sRGB） 空间，由于 sRGB 中固有的高颜色敏感度，这通常会产生颜色偏差和亮度伪影。虽然使用色相、饱和度和值 （HSV） 色彩空间转换图像有助于解决亮度问题，但它会引入明显的红色和黑色杂色伪影。为了解决这个问题，我们为 LLIE 提出了一个新的色彩空间，即水平/垂直强度 （HVI），由极化 HS 图和可学习强度定义。
[CVPR 2025] 只需要一个HVI色彩空间，即可突破低光图像增强瓶颈！
m0_64316589的博客
03-06 821
许多现有的LLIE方法基于标准RGB空间，由于sRGB固有的高色彩敏感性，常常会产生色彩偏差和亮度伪影。虽然使用HSV颜色空间转换图像有助于解决亮度问题，但它引入了显著的红色和黑色噪声伪影。为了解决这个问题，我们提出了一种新的LLIE颜色空间，即HVI，由极化HS图和可学习的强度定义。前者通过强制红色坐标之间的小距离来消除红色伪影，而后者则压缩低光照区域以消除黑色伪影。为了充分利用色度和强度信息，进一步引入了一种新型的颜色和强度解耦网络（CIDNet），以在HVI空间中学习不同光照条件下的准确光度映射函数。
CVPR2025:低光图像增强天花板！HVI 技术让红色噪声减少 63%，PSNR 突破 29.57
陈奕昆的博客
04-23 1111
HVI颜色空间与CIDNet网络通过解耦颜色与亮度处理，突破了传统低光增强的噪声与色彩平衡难题，在10+数据集上刷新SOTA。视频级低光增强：扩展至视频序列处理，解决帧间一致性问题；轻量化部署：针对移动端优化模型结构，实现端侧实时增强；多模态融合：结合红外、深度等信息，构建跨模态低光增强框架。随着AIGC与影像处理的深度融合，HVI技术有望成为下一代低光视觉解决方案的核心引擎，为智能终端、安防、医疗等领域提供更可靠的视觉基础。
CVPR`25 | 让暗光照片秒变电影大片！全球首个可训练的HVI色彩空间，突破低光增强瓶颈！...
小白学视觉
03-13 108
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达来源：AI生成未来文章链接：https://arxiv.org/abs/2502.20272代码连接：https://github.com/Fediory/HVI-CIDNetHugging Face Demo：https://huggingface.co/spaces/Fediory/HVI-CIDNet_Low-ligh...
基于语义对比学习的低光照图像增强网络
专注计算机视觉全栈知识分享
11-04 532
本文提出了一种有效的语义对比学习范式（SCL-LLE）来解决低光图像增强问题。SCL-LLE 揭示了如何使用非配对的负样本和正样本生成视觉上令人愉悦的图像，并说明了我们如何利用语义信息来保持输入和输出之间的视觉相似性。基于特征提取网络和语义分割网络，我们将图像增强视为多任务联合学习，其中SCL-LLE被转化为对比学习、语义亮度一致性和特征保留的三个约束，同时确保颜色、纹理和曝光的一致性。实验证明，我们的方法在六个跨域数据集上相对于现有最先进的LLE模型表现出明显的改进。
基于深度学习的低光照图像增强方法总结（2020.09.15更新）
热门推荐
hyk_1996的博客
08-15 3万+
之前在做光照对于高层视觉任务的影响的相关工作，看了不少基于深度学习的低光照增强（low-light enhancement）的文章[3,4,5,7,8,9,10]，于是决定简单梳理一下。 光照估计（illumination estimation）和低光照增强（low-light enhancement）的区别：光照估计是一个专门的底层视觉任务（例如[1,2,6]），它的输出结果可以被用到其它任务...
低光图像增强论文：Self-supervised Image Enhancement Network: Training with Low Light Images Only阅读笔记
import_torch_as_tf
06-30 5137
论文地址：https://arxiv.org/abs/2002.11300 项目地址：https://github.com/hitzhangyu/Self-supervised-Image-Enhancement-Network-Training-With-Low-Light-Images-Only 目前好像暂未发表 作者团队：哈尔滨工业大学 主要工作： 自监督不需要参考图像 单图像训练增强 整体基于Retinex理论分解图像，用直方图均衡化后的结果做参照，认为反射率的最大通道与微光图像的最大
低光照图像增强算法汇总
weixin_36670529的博客
04-11 2万+
1、场景需求   在现实场景中，由于光线、视角等问题会导致我们拍摄出来的照片比较阴暗，具体的图片如下图中的1、3、5列所示，然后这些阴暗的图片不仅会影响我们的观察，而且会极大的影响计算机视觉处理算法的效果，2、4、6列表示的是使用了低光照图像增强算法之后的效果。本文主要针对低光照的图片展开论述，对经典的一些低光照图像增强算法进行了总结和初略的分析。 2、Retinex算法 论文链接-Github链接 2.1 Retinex算法简介   Retinex是一种常用的建立在科学实验和科学分析基础上的
loss低但精确度低_低光照图像增强网络-RetinexNet（model.py解析【2】）
weixin_33994823的博客
11-25 1086
论文地址：https://arxiv.org/pdf/1808.04560.pdf代码地址：https://github.com/weichen582/RetinexNet解析目录：https://zhuanlan.zhihu.com/p/88761829整个模型架构被实现为一个类：class lowlight_enhance(object):其构造函数实现了网络结构的搭建、损失函数的定义、训练的...
Pycharm（十九）深度学习
higerwy的博客
05-06 1030
深度学习是机器学习中的一种特殊方法，它使用称为神经网络的复杂结构，特别是“深层”的神经网络，来学习和做出预测。深度学习特别适合处理大规模和高维度的数据，如图像、声音和文本。深度学习、机器学习和人工智能之间的关系如下图所示：深度学习⊆机器学习⊆人工智能优点：1）精度高，性能优于其他的机器学习算法，甚至在某些领域超过了人类；2）随之计算机硬件的发展，可以近似任意的非线性函数；3）近年来在学界和业界受到了热捧，有大量的框架和库可供调。缺点：1）黑箱。
Python数据分析案例74——基于内容的深度学习推荐系统（电影推荐）
最新发布
weixin_46277779的博客
05-10 477
电影数据集构建推荐系统，结合内容推荐和深度学习两种方法。预处理、探索性分析，加权平均法和余弦相似度进行基于内容的推荐，计算电影的相似度并生成推荐结果。并且使用深度学习模型，构建评分预测和检索任务，用户个性化推荐和评分预测。
HVI cidnet
03-09
### HVI 和 CIDNET 技术概述 HVI（High Volume Instrumentation）是一种用于棉花纤维测试的高容量仪器，能够快速测量多个物理参数，如长度、强度、细度等。这些数据对于纺织厂优化生产过程至关重要[^1]。 CIDNET 是中国纺织工业联合会下属的一个网络平台，旨在促进纺织行业的信息化和技术交流。该平台提供了丰富的资源和服务，包括但不限于技术文档、行业标准、市场动态以及专家咨询等服务。 ### HVI 数据的应用实例 在实际应用中，HVI 测试所得的数据被广泛应用于以下几个方面： - **原料采购决策支持**：通过分析不同批次原材料的质量差异，帮助企业做出更合理的采购决定。 - **生产工艺调整依据**：利用 HVI 提供的信息来指导纺纱工艺的选择与改进，从而提高成品率并降低成本。 例如，在“日照裕华杯”2012年中国纱线质量暨新产品开发技术论坛上发表的研究表明，基于 HVI 的检测数据分析可以显著提升自动化配棉系统的效率和准确性。 ```python # Python 代码示例展示如何读取 CSV 文件中的 HVI 数据 import pandas as pd def load_hvi_data(file_path): """ 加载指定路径下的 HVI 数据文件 参数: file_path (str): CSV 文件的位置 返回: DataFrame: 包含 HVI 数据的表格对象 """ data = pd.read_csv(file_path) return data ``` ### 获取更多关于 HVI 和 CIDNET 的资料 为了获得更加详尽的技术文档和支持材料，建议访问 CIDNET 官方网站或联系其客服团队获取最新发布的指南和白皮书。此外，还可以关注行业内的重要会议和技术研讨会，这些都是了解前沿技术和最佳实践的好机会。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

mingo_敏

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值