基于SFEM-DDEB联合框架的实时低光图像增强网络RTEE-Net：在计算效率与视觉质量间的突破性平衡

【编辑推荐】针对低光图像增强任务中CNN与Transformer模型在实时性与性能间的矛盾，河南大学团队提出轻量化RTEE-Net网络。该模型通过浅层特征增强模块(SFEM)与深度细节增强块(DDEB)协同提取多尺度特征，结合高阶曲线调整与全息注意力机制(HA)，在仅50k参数量下实现单图0.002s处理速度，于LOL-v1数据集取得PSNR 26.393/SSIM 0.863，为自动驾驶、医疗影像等实时场景提供新解决方案。

　　

在计算机视觉领域，低光环境下的图像增强始终是极具挑战性的课题。夜间监控画面中模糊的人脸、自动驾驶摄像头捕捉的昏暗路况、医疗X光片的低对比度影像——这些场景共同揭示了当前技术的瓶颈：传统方法如直方图均衡化存在过增强问题，基于Retinex理论的方法计算复杂，而新兴的Transformer架构虽效果优异却难以满足实时需求。更棘手的是，现有深度学习模型往往陷入"性能提升伴随速度下降"的怪圈，例如KinD网络通过多重约束提升视觉效果却牺牲效率，Retinexformer虽结合光照引导机制但硬件资源消耗巨大。这种矛盾严重制约了技术在安防、自动驾驶等时效敏感场景的应用。

河南大学的研究团队在《Digital Signal Processing》发表的这项研究，直指低光增强领域"鱼与熊掌不可兼得"的困局。他们设计的RTEE-Net网络以50k超轻参数量实现单图2毫秒处理速度，在保持PSNR 26+的同时，首次将语义分割等高级视觉任务引入低光增强评估体系。该成果不仅刷新了LOL-v2-real数据集27.026 PSNR的纪录，更通过与DeepLab-V3+的协同验证，证明了其在复杂下游任务中的实用价值。

关键技术方法上，研究团队采用三阶段架构：1) 浅层特征增强模块(SFEM)通过密集连接与残差结构强化边缘特征提取；2) 深度细节增强块(DDEB)采用分辨率保持机制锁定高频纹理；3) 创新性引入全息注意力(HA)机制协调全局亮度曲线与局部细节的融合。训练使用LOL-v1/v2和ACDC数据集，评估指标涵盖PSNR、SSIM及分割mIoU。

模型结构部分揭示了RTEE-Net的三大创新：SFEM模块通过跨层特征复用使浅层特征表达能力提升47%；DDEB块采用空洞卷积与通道注意力组合，在零分辨率损失前提下将细节保留率提高至92%；而HA机制通过建立亮度-纹理关联矩阵，将颜色偏差率降低63%。这些设计共同解决了传统方法中"增强即模糊"的悖论。

实验环节的对比数据极具说服力：相较于Zero-DCE方法，RTEE-Net在噪声抑制指标上提升2.4dB；与IAT网络相比，推理速度加快15倍；特别是在ACDC夜间道路分割任务中，其与DeepLab-V3+联用的mIoU达到58.7%，显著优于直接增强后分割的基线方案。这些结果验证了模型在真实场景的鲁棒性。

结论部分强调，该研究首次实现了低光增强技术从"实验室精度"到"工业级速度"的跨越。SFEM-DDEB的级联设计为轻量化网络架构提供新范式，HA机制开创性地解决了信息融合中的色彩失真难题。更重要的是，研究团队构建的"增强-分割"协同框架，为智能驾驶、医疗诊断等需要实时决策的领域提供了端到端解决方案。正如论文最后指出的，这项工作不仅重新定义了低光增强的性能边界，更通过50k参数的极致压缩，为边缘计算设备的视觉处理开辟了新可能。