LEESDFormer：基于CNN-Transformer的轻量级无监督低光图像增强与曝光抑制曲线估计网络

　　针对低光图像增强中混合曝光和噪声导致的细节丢失问题，研究人员提出首个无监督CNN-Transformer方法LEESDFormer。通过设计LEES-S曲线简化增强任务，结合混合注意力机制（空间注意力+自注意力）和分组卷积（GConv），实现低光增强、曝光抑制与去噪的联合优化。该模型仅65K参数量，在LOL-v2-real数据集PSNR达21 dB，处理速度8 ms/图，为资源受限设备提供高效解决方案。

　　

在智能手机普及和自动驾驶发展的时代，低光环境下的图像质量直接影响视觉任务的准确性。然而，现有方法如基于Retinex理论或卷积神经网络（CNN）的增强技术，往往陷入“顾此失彼”的困境：增强暗部时忽略过曝区域，抑制噪声时丢失纹理细节。更棘手的是，传统Transformer虽能捕捉全局信息，但计算复杂度高，难以部署在移动设备上。这种矛盾催生了计算机视觉领域的关键挑战——如何平衡增强效果与计算效率？

针对这一难题，中国研究人员提出LEESDFormer，首次将CNN与Transformer的优势融合于无监督低光增强任务。该研究发表于《Neural Networks》，其核心创新在于将复杂增强问题转化为LEES-S曲线估计，通过轻量化设计实现三合一功能：低光增强、曝光抑制和去噪。实验表明，该模型在LOL-v2-real数据集PSNR突破21 dB，比现有无监督方法提升4 dB以上，参数量仅65K，单图处理耗时8毫秒，甚至超越部分监督学习方法。

关键技术方法
研究采用两阶段架构：低光增强与曝光抑制模块（LEESM）通过迭代LEES-S曲线调整图像动态范围；图像去噪模块（IDM）采用单层CNN-Transformer块减少噪声。创新性使用混合注意力机制（空间注意力+自注意力）平衡局部与全局信息，配合分组卷积（GConv）和通道混洗降低参数量。训练阶段提出联合优化策略，使用LOL-v2-real和LSRW等基准数据集验证性能。

研究结果

1. LEES-S曲线设计
   通过数学建模将增强任务转化为S形曲线估计，实验证明该曲线能同时提升暗部细节（如LIME数据集的纹理）并抑制过曝区域（如MEF数据集的天空部分），避免传统伽马校正的色偏问题。

2. 混合注意力机制
   在LEESM模块中，空间注意力精准定位局部暗区（如DICM的阴影），自注意力则协调全局曝光（如NPE的整体亮度分布）。消融实验显示该组合使SSIM提升0.15。

3. 轻量化IDM模块
   仅含单层CNN-Transformer块的IDM，在AP-BSN等去噪基准上保持竞争力，同时将参数量控制在传统方法的1/10。LOL-v2-real测试中，噪声标准差降低至3.2。

4. 跨数据集验证
   在无参考数据集DICM和LIME上，LEESDFormer的NIQE指标优于RUAS 30%，证明其强泛化性；实时性测试显示在RTX 3090 GPU上吞吐量达125 FPS。

结论与意义
该研究通过CNN-Transformer协同架构和LEES-S曲线建模，解决了低光增强领域三个长期矛盾：效果与效率的平衡（65K参数/21 dB PSNR）、局部与全局的兼顾（混合注意力）、增强与去噪的联合（端到端训练）。其技术价值体现在三方面：一是为无监督学习提供新范式，避免对配对数据的依赖；二是轻量化设计推动边缘计算应用，如夜间自动驾驶（G. Li等2021研究场景）；三是方法论层面证明曲线估计可简化复杂视觉任务。未来可探索该框架在医学影像（如低光内镜）和多光谱成像中的迁移潜力。

（注：全文数据与结论均源自原文，未添加外部引用）