LIIA-Net：一种轻量级的照明迭代调整网络，用于低光照图像增强

《Neural Networks》：LIIA-Net: A Lightweight Illumination Iterative Adjustment Network for Low-Light Image Enhancement

低光图像增强方法提出LIIA-Net，通过线性跨注意力模块融合光照与内容特征，幅度自适应迭代调整模块在频域动态调节亮度，结合基于Mamba的结构细化模块提升空间细节，在0.48M参数下达到SOTA性能，并显著提升下游目标检测准确率。

　　

作者：成万友 | 石文旭 | 胡贵斌 | 郑博川

中国西华师范大学计算机科学学院，南充，637009，中国

摘要

低光照图像增强旨在提高退化图像的亮度、对比度和结构细节，从而提升图像质量并支持视觉感知任务。然而，现有方法往往会导致照明调整不准确、噪声放大和结构损失。为了解决这些问题，我们提出了一个轻量级照明迭代调整网络（LIIA-Net），该网络同时在频率域和空间域对图像进行处理。首先，线性交叉注意力模块（LCAM）融合了照明和内容特征；然后，幅度自适应迭代调整模块（AAIA）在频率域中自适应地调节亮度；最后，基于Mamba的结构细化模块（MaSR）恢复空间纹理。尽管LIIA-Net的参数量仅为0.48M，但在真实和合成数据集上的性能可与最先进的方法相媲美甚至超越。此外，当应用于下游目标检测时，我们的增强图像显著提高了检测准确性。代码可在此处获取：https://github.com/ycwsilent/LIIANet

引言

低光照图像通常在照明不足或传感器动态范围有限的情况下拍摄，容易出现亮度不足、噪声严重、对比度低以及结构细节丢失等典型退化现象（Ma等人，2023年）。这些退化不仅影响人类的视觉感知，还会降低各种高级视觉任务的性能，例如目标检测、实例分割、自动驾驶和对象识别（Singh和Parihar，2024年；Sun等人，2022年；Yin等人，2023年；Zhang和Wang，2023年；Zhou等人，2025年）。因此，提高低光照图像的质量已成为学术界和工业界的一个关键研究问题。低光照图像增强（LLIE）旨在通过算法处理来提高图像亮度、抑制噪声，并保留丰富的纹理和结构细节，从而为后续的视觉感知和分析任务提供可靠的支持。

早期的LLIE方法依赖于经典的图像处理技术，如直方图均衡化、伽马校正和Retinex理论，这些方法通过直接调整图像强度或分解和重建照明和反射成分来提高亮度（Jobson等人，1997年；Lee等人，2013年；Rahman等人，2016年）。然而，这些方法在复杂场景中往往表现不佳，导致亮度估计不准确、颜色失真和纹理退化（He等人，2023年；Zhang等人，2025a）。相比之下，最近基于深度学习的方法（利用CNN、Transformer和Diffusion模型）通过从大型数据集中学习丰富的表示而取得了显著改进。例如，基于Retinex的方法（Cai等人，2023年；Singh和Parihar，2023年；Wei等人，2018年；Zhang、Guo、Ma、Liu、Zhang，2021年；Zhang、Zhang、Guo，2019年，例如RetinexNet）将图像分解为照明和反射成分，并通过两个子网络分别进行增强和去噪，为处理不均匀照明和保留图像细节提供了有效框架。随后，递归和渐进式优化方法（如ZeroDCE和DRBN（Guo等人，2020年；Mi等人，2024年；Wang等人，2023b；Yang等人，2020年；Zhang等人，2025c）执行多尺度照明校正和纹理增强，在增强质量和模型复杂性之间取得了平衡，并在轻量化设计方面具有明显优势。最近，一些模型（例如DMFourLLIE、WalMaFa、DarkIR（Feijoo等人，2025年；Hu等人，2025年；Huang等人，2022年；Luan等人，2025年；Tan等人，2024年；Zhao等人，2024年）利用小波或傅里叶变换通过协调的频率域增强和空间域重建来共同提高亮度、抑制噪声和恢复细节，展示了频率-空间域融合的好处。

尽管取得了这些进展，但简单地提高亮度可能会无意中放大噪声，尤其是在较暗的区域，从而损害结构细节（Cai等人，2023年；He等人，2023年；Zhang等人，2024年）。为了解决这个问题，SWANet（He等人，2023年）首先提高亮度，然后使用基于小波的网络进行噪声抑制。He等人（2024年）发现伽马校正对噪声抑制有效，并将其应用于降低增强图像中的噪声水平。相比之下，CIDNet（Yan等人，2025年）引入了一个可学习的水平/垂直强度（HVI）空间，该空间减少了相似颜色之间的欧几里得距离，有效地在颜色空间内抑制了噪声，从而提高了增强性能。尽管有效，但其性能在不同亮度水平的区域仍可能有所不同，表明需要自适应策略。

鉴于此，实现有效的低光照图像增强不仅需要抑制噪声，还需要自适应地控制亮度增强。研究表明，在频率域中，幅度谱主要控制亮度，而相位携带结构信息（Huang等人，2022年；Zhang等人，2024年）。这一观察结果促使我们进一步研究在不同照明条件下幅度调制如何影响增强效果。如图1所示，增加幅度缩放因子会逐渐使图像变亮，表明可以通过操纵幅度来调整亮度。此外，我们观察到对不同的低光照图像应用相同的缩放因子会产生不同的增强效果，因为它们的初始亮度水平不同：初始亮度较低的图像可能仍然增强不足，而初始亮度较高的图像可能会过曝。这表明不同的低光照图像需要自适应的幅度缩放以实现最佳增强效果。此外，即使在同一图像内，也需要逐像素的自适应缩放以避免亮区域的过曝和暗区域的增强不足。

受到上述讨论和图1中观察结果的启发，我们提出了一个高效且轻量级的低光照图像增强网络——轻量级照明迭代调整网络（LIIA-Net）。该模型采用U形架构，编码器专注于自适应亮度增强，解码器强调细粒度的空间纹理重建。在照明调整过程中，我们首先设计了一个线性交叉注意力模块（LCAM），以在低参数数量和计算开销下实现照明和内容特征之间的高效交互。然后，幅度自适应迭代调整（AAIA）模块根据图像的亮度级别在频率域中迭代和自适应地增强幅度成分。这使得在各种低光照条件下实现自适应增强，同时有效平衡单个图像内不同区域的亮度。为了进一步增强空间结构建模，集成了基于Mamba的结构细化（MaSR）模块，以实现多方向的空间上下文聚合和改善纹理表示。为了有效抑制噪声，我们采用了CIDNet中的HVI（水平/垂直强度）空间（Yan等人，2025年）。如图2所示，在LOL-v2-Synthetic数据集上的性能比较表明，我们的模型以最少的参数数量取得了最佳结果。

本工作的主要贡献总结如下：

• •
  我们提出了LIIA-Net，这是一个仅具有0.48M参数的轻量级低光照图像增强网络，在多个基准数据集上的表现与最先进的方法相当或更优。LIIA-Net在增强质量和计算效率方面展示了强大的实际潜力。
• •
  我们开发了一个线性交叉注意力模块（LCAM），它在低计算和参数成本下增强了内容和照明之间的特征交互。
• •
  我们设计了一个幅度自适应迭代调整（AAIA）模块，根据图像的亮度级别在频率域中迭代调节幅度成分。这使得在各种复杂的低光照条件下实现自适应和平衡的亮度增强。
• •
  我们在空间域中引入了一个基于Mamba的结构细化（MaSR）模块，该模块利用选择性状态空间模型进行多方向上下文聚合和结构纹理恢复。该模块有效地保留了细粒度的空间细节，并减轻了结构信息的损失。

章节片段

低光照图像增强

低光照图像增强的核心目标是在恢复结构细节的同时提高亮度并避免噪声。随着CNN的快速发展，提出了许多LLIE方法。例如，RetinexNet（Wei等人，2018年）将图像分解为照明和反射成分，并使用两个子网络进行重建，从而产生更高质量的结果。然而，基于CNN的方法由于其局部感受野的限制而受到内在限制

整体架构

如图3所示，我们的模型采用端到端编码器-解码器架构，旨在明确解决低光照条件的两个核心挑战：非均匀照明和结构退化。为此，网络分为两个互补阶段。第一阶段专注于在不均匀照明下的亮度增强，而第二阶段细化结构和纹理细节。在第一阶段之后引入了中间监督

实验设置

我们在三个配对数据集（LOL-v1（Wei等人，2018年）、LOL-v2-real（Yang等人，2021年）和LOL-v2-synthetic（Yang等人，2021年）以及五个真实世界数据集（DICM（Rahman等人，2016年）、LIME（Lee等人，2013年）、MEF（Ma等人，2015年）、NPE（Wang等人，2013年）和VV（Vonikakis等人，2018年）上评估了所提出的模型）。实验使用PyTorch框架（兼容CUDA 12.1）进行，并在GPU上使用torch 2.1 + cu121加速。在训练期间执行优化

结论

本文介绍了LIIA-Net，一个用于低光照图像增强的轻量级U形网络。L&A模块融合了照明和图像特征以自适应地调节亮度，而基于Mamba的MaSR模块恢复了全局结构和细纹理。广泛的实验表明，我们的方法在合成和真实数据集上都取得了卓越的定量和定性结果，并改善了下游的低光照检测任务。尽管有效，但该模型还可以进一步

CRediT作者贡献声明

成万友：撰写——原始草稿、可视化、软件、方法论。石文旭：撰写——审阅与编辑、项目管理。胡贵斌：验证、形式分析。郑博川：撰写——审阅与编辑、监督、项目管理、资金获取、概念化。

利益冲突声明

作者声明没有利益冲突。

致谢

本工作得到了国家自然科学基金（编号62176217）和四川省科技计划（编号2024ZYD0272）的支持。