CVPR2025突破性研究HVI-CIDNet如何通过全新色彩空间解决弱光图像增强难题【免费下载链接】HVI-CIDNet[CVPR2025 NTIRE2025] HVI: A New Color Space for Low-light Image Enhancement (Official Implementation)项目地址: https://gitcode.com/gh_mirrors/hv/HVI-CIDNetHVI-CIDNet是CVPR2025收录的创新弱光图像增强方案它提出了全新的Horizontal/Vertical-IntensityHVI色彩空间有效解决传统RGB/HSV空间在低光环境下的色彩失真和噪声放大问题。该方案在多项权威数据集上实现了性能突破并获得NTIRE2025低光图像增强挑战赛冠军。传统弱光增强的核心痛点 弱光图像增强长期面临三大挑战色彩失真、噪声放大和细节丢失。现有方法大多基于RGB或HSV色彩空间处理这些空间在低光照条件下存在先天缺陷RGB空间亮度与色彩通道高度耦合增强过程中易导致颜色偏移HSV空间分离亮度V通道和色彩H/S通道时会产生红色不连续性噪声和黑色平面噪声传统算法难以平衡亮度提升与细节保留常出现过曝或欠曝问题图1传统色彩空间与HVI色彩空间的对比展示了HVI如何解决红色不连续性噪声和黑色平面噪声问题HVI色彩空间革命性突破 ✨HVI-CIDNet的核心创新在于提出了Horizontal/Vertical-Intensity色彩空间通过以下机制实现弱光增强亮度-色彩解耦将传统RGB图像转换为1通道亮度图Intensity Map和2通道色彩图HV Color Map可学习强度函数通过Ck函数动态调整不同区域的亮度增强程度双通道色彩表示水平和垂直色彩分量分别捕捉不同方向的色彩特征提升色彩还原精度这一设计使网络能够在增强亮度的同时独立优化色彩信息从根本上解决传统方法的色彩失真问题。CIDNet网络架构解析 HVI-CIDNet采用创新的Cross Intensity-Decoupling Network架构主要包含三个模块1. HVI色彩空间转换输入图像首先通过HVI变换模块分解为亮度图和色彩图为后续独立处理奠定基础。2. 增强网络网络分为两个并行分支I-branch专注于亮度增强采用U-Net结构提取多尺度亮度特征HV-branch负责色彩恢复通过交叉注意力机制捕捉色彩依赖关系3. Lighten Cross-Attention (LCA)模块这是网络的核心创新点通过跨分支特征交互实现亮度与色彩的协同优化色彩去噪层和强度增强层分别处理色彩噪声和亮度提升深度卷积层增强局部特征提升细节表现力图2HVI-CIDNet整体工作流程展示了从输入图像到增强结果的完整处理过程图3Lighten Cross-Attention模块内部结构展示了双通道特征交互机制实验效果多项数据集全面领先 HVI-CIDNet在多个权威弱光图像数据集上进行了验证性能全面超越现有方法1. 成对数据集结果在LOLv1、LOLv2等成对数据集上HVI-CIDNet实现了PSNR、SSIM和LPIPS指标的全面提升LOLv1数据集PSNR达28.14dBSSIM达0.8887LOLv2合成数据集PSNR达29.57dBSSIM达0.9497图4在LOLv1和LOLv2数据集上与主流方法的视觉效果对比HVI-CIDNetOurs在细节保留和色彩还原上表现最优2. 非成对数据集结果在DICM、LIME等非成对数据集上HVI-CIDNet同样表现出色平均NIQE指标低至3.13表明图像质量接近自然光照BRISQUE指标显著优于对比方法视觉感知质量更高图5在DICM、LIME等非成对数据集上的增强效果HVI-CIDNet能够处理各种复杂弱光场景快速上手使用指南 环境准备# 创建虚拟环境 conda create --name CIDNet python3.7.0 conda activate CIDNet # 克隆仓库 git clone https://gitcode.com/gh_mirrors/hv/HVI-CIDNet # 安装依赖 cd HVI-CIDNet pip install -r requirements.txt模型测试HVI-CIDNet提供多种测试方式Gradio可视化界面python app.py访问http://127.0.0.1:7862即可使用交互式界面命令行测试# 测试LOLv1数据集 python eval.py --lol --perc # 测试非成对数据集 python eval.py --unpaired --DICM --unpaired_weights ./weights/LOLv2_syn/w_perc.pth --alpha 0.9 --gamma 0.9Hugging Face模型测试python eval_hf.py --path fediory/HVI-CIDNet-LOLv1-wperc --input_img your_image_path模型训练可通过修改data/options.py配置训练参数然后执行python train.py --dataset lol_v1总结与展望 HVI-CIDNet通过提出全新的HVI色彩空间和CIDNet网络架构为弱光图像增强领域带来了突破性进展。其核心优势在于理论创新HVI色彩空间从根本上解决了传统空间的亮度-色彩耦合问题性能领先在多项权威数据集上实现指标全面超越应用广泛可用于监控安防、夜间摄影、医学成像等多个领域未来HVI色彩空间有望成为低光视觉任务的基础工具团队也计划将该技术扩展到视频增强和实时处理领域。如果您觉得这项研究对您有帮助请引用相关论文article{yan2025hvi, title{HVI: A New color space for Low-light Image Enhancement}, author{Yan, Qingsen and Feng, Yixu and Zhang, Cheng and Pang, Guansong and Shi, Kangbiao and Wu, Peng and Dong, Wei and Sun, Jinqiu and Zhang, Yanning}, journal{arXiv preprint arXiv:2502.20272}, year{2025} }【免费下载链接】HVI-CIDNet[CVPR2025 NTIRE2025] HVI: A New Color Space for Low-light Image Enhancement (Official Implementation)项目地址: https://gitcode.com/gh_mirrors/hv/HVI-CIDNet创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
