YOLOv10改进系列，YOLOv10主干网络引入Retinexformer，用于低光照物体检测

原论文摘要

在增强低光照图像时，许多深度学习算法基于Retinex理论。然而，Retinex模型没有考虑隐藏在黑暗中或由照亮过程引入的损坏。此外，这些方法通常需要繁琐的多阶段训练流程，并依赖于卷积神经网络，显示出在捕获长程依赖关系方面的局限性。在本文中，提出了一个简单但原则性明确的一阶段Retinex基础框架（ORF）。ORF首先估计照明信息以照亮低光照图像，然后恢复损坏以生成增强图像。我们设计了一个照明引导变换器（IGT），利用照明表示来指导不同光照条件区域的非局部交互建模。通过将IGT插入ORF，即Retinexformer。全面的定量和定性实验表明，Retinexformer在十三个基准测试上显著优于最新的方法。用户研究和低光照物体检测应用也揭示了Retinexformer方法的潜在实用价值。

介绍

该方法的整体架构，正如图(a)所示，我们的Retinexformer基于我们提出的一阶段Retinex框架(ORF)。ORF由一个照明估计器(i)和一个损坏恢复器(ii)组成。我们设计了一个照明引导变换器(IGT)作为损坏恢复器。图(b)中描述了IGT的基本单元是照明引导注意力块(IGAB)，它由两个层归一化(LN)、一个照明引导多头自注意力(IG-MSA)模块和一个前馈网络(FFN)组成。图©展示了IG-MSA的细节。

(a) Retinexformer采用了所提出的ORF框架，该框架由一个照明估计器(i)和一个损坏恢复器(ii) IGT组成。(b) IGT的基本单元是IGAB，它由两个层归一化(LN)、一个IG-MSA和一个前馈网络(FFN)组成。© IG-MSA使用由ORF捕获的照明表示来指导自注意力的计算。

理论详解可以参考链接：论文地址
代码可在这个链接找到：论文地址

本文在YOLOv10中的主干网络引入Retinexformer，用于低光照物体检测，代码已经整理好了，跟着文章复制粘贴，即可直接运行

---