专栏名称: AI算法与图像处理

考研逆袭985，非科班跨行AI，目前从事计算机视觉的工业和商业相关应用的工作。分享最新最前沿的科技，共同分享宝贵的资源资料，这里有机器学习，计算机视觉，Python等技术实战分享，也有考研，转行IT经验交流心得

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！

AI算法与图像处理 · 公众号 · · 2025-03-08 23:00

正文

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-CIDNet
Hugging Face Demo：https://huggingface.co/spaces/Fediory/HVI-CIDNet_Low-light-Image-Enhancement_

亮点直击

为LLIE任务引入了一种新的全球首个可训练的颜色空间，该空间由极化的HS和可训练的强度唯一定义。这提供了一个有效工具，消除了HSV空间产生的颜色空间噪声，显著增强了低光图像的亮度。
进一步提出了一种新颖的LLIE网络CIDNet，用于在HVI空间中同时建模低光图像的强度和色度。尽管该网络轻量且计算高效，参数较少（1.88M）且计算负载较低（7.57GFLOPs），但它能够在不同光照条件下学习精确的光度映射。
定量和定性实验的综合结果表明，本文的方法在10个数据集上的不同指标上均优于各种类型的现有最先进（SOTA）方法。

总结速览

解决的问题

颜色偏差和亮度伪影 ：现有基于sRGB空间的低光图像增强（LLIE）方法由于sRGB的高颜色敏感性，容易产生颜色偏差和亮度伪影。 YUV和Lab均不能解决亮度问题。
红色和黑色噪声伪影 ：使用HSV颜色空间虽然解决了亮度问题，但会引入显著的红色不连续噪声（Red Discontinuity Noise）和黑色平面噪声（Black Plane Noise），尤其是在红色主导或极暗图像中。

提出的方案

新的颜色空间HVI（Horizontal/Vertical-Intensity） ：

通过极化的HS映射（Polarized HS Maps）减少红色坐标的欧几里得距离，消除红色不连续噪声。
引入可学习的强度压缩函数（Adaptive Intensity Collapse Function），压缩低光区域的半径以消除黑色噪声。

颜色与强度解耦网络（CIDNet） ：

使用双分支结构（HV分支和强度分支）分别建模颜色和亮度信息，实现颜色与亮度的解耦。
在HVI空间中学习精确的光度映射函数，适应不同光照条件。

应用的技术

全球首个可训练的颜色空间 ：

极化的HS映射：通过数学变换减少红色噪声。
自适应强度压缩函数：动态调整低光区域的强度。

深度学习网络（CIDNet） ：

双分支结构：HV分支处理颜色信息，强度分支处理亮度信息。
光度映射优化：通过神经网络学习颜色和亮度的最佳映射关系。

达到的效果

消除噪声伪影 ：

红色不连续噪声和黑色平面噪声显著减少。

提升图像质量 ：

在10个基准数据集上，全球首个可训练的颜色空间结合CIDNet的表现优于现有最先进方法。
恢复的图像亮度更自然，颜色更准确，细节更丰富。

适应性强 ：

能够处理红色主导和极暗图像，适应不同光照条件。

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。

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。

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（），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。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。

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，构建强度图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）：