论文: Beyond Illumination: Fine-Grained Detail Preservation in Extreme Dark Image Restoration作者: Tongshun Zhang, Pingping Liu, Zixuan Zhong, Zijian Zhang, Qiuzhan Zhou发表: AAAI 2026论文链接: https://arxiv.org/pdf/2508.03336代码链接: https://github.com/bywlzts/RFGM一、引言在极暗光环境下拍摄的图像往往存在严重的结构信息丢失和噪声污染，使得传统的低光增强方法难以恢复精细的细节和锐利的边缘。现有方法主要聚焦于全局亮度映射，忽略了纹理细节的保持，在文本检测、边缘检测等下游任务中表现不佳。本文提出了一种高效的双阶段暗光细节恢复框架，核心创新在于：第一阶段：提出残差傅里叶引导模块（RFGM），在频域中利用残差连接捕获阶段间和通道间的依赖关系，实现鲁棒的全局光照恢复；第二阶段：设计互补的Patch Mamba和Grad Mamba模块，分别专注像素级细节增强和梯度驱动的结构边缘重建；整体框架仅0.37M 参数和4.34G FLOPs，计算极其轻量，可即插即用于现有傅里叶方法。二、核心动机现有方法的局限现有频域方法（如 FourLLIE、DMFourLLIE）通过一系列卷积块顺序处理振幅和相位分量。但如图 3 的可视化分析所示，这种严格顺序的处理方式存在两个关键问题：阶段间信息退化：不同卷积阶段的特征激活强度差异显著，早期阶段的潜在有用信息未在后续阶段中有效保留和利用，导致亮度调整效果不佳；通道间信息隔离：同一阶段内不同通道的结构轮廓信息呈现不同显著性，单独处理每个通道无法综合跨通道的互补结构信息。DMFourLLIE 在不同阶段和通道上的特征可视化。Convᵢ 表示阶段特定卷积特征，Cᵢ 表示不同特征通道。本文解决思路针对上述问题，RFGM 通过残差方式利用阶段间和通道间相关性提供鲁棒先验指导——从上一阶段中捕获最有价值的振幅通道先验，避免冗余处理的同时为后续阶段的振幅映射提供精确指导，同时相位分量通过残差连接提供结构补偿。三、方法3.1 整体架构概览整个框架分为两个阶段：整体双阶段框架架构。第一阶段频域包含 6 个 RFGM，第二阶段空域包含 4 个 Patch Mamba 和编码器-解码器中的 2 个 Grad Mamba。给定暗图I∈RH×W×3I \in \mathbb{R}^{H \times W \times 3}I∈RH×W×3，首先通过3×33\times33×3卷积提取浅层特征嵌入RH×W×C\mathbb{R}^{H \times W \times C}RH×W×C。第一阶段 - 频域全局建模：6 个相同的 RFGM 以残差方式利用阶段间和通道间相关性，提供鲁棒先验指导，实现全局光照恢复。第二阶段 - 空域细节精炼：采用互补双分支 Mamba——Patch Mamba 操作在通道拼接的非下采样块上精确建模像素级相关性；Grad Mamba 聚焦高梯度区域，专注锐利边缘和边界重建。3.2 RFGM 核心原理RFGM 的核心思想是利用阶段间先验引导和通道间相似性选择来优化频域处理。前向过程前一阶段的特征Fi−1∈RH×W×CF_{i-1} \in \mathbb{R}^{H \times W \times C}Fi−1∈RH×W×C首先通过 FFT 变换到频域，得到振幅Ai−1A_{i-1}Ai−1和相位Pi−1P_{i-1}Pi−1分量，分别通过卷积+ReLU 处理得到AiA_iAi和PiP_iPi。振幅先验引导：对Ai−1A_{i-1}Ai−1和AiA_iAi进行展平后进行矩阵相似度计算MS(⋅,⋅)MS(\cdot, \cdot)MS(⋅,⋅)，得到相似度矩阵M∈RC×CM \in \mathbb{R}^{C \times C}M∈RC×C，从中选择 Top-1 向量V∈RC×1V \in \mathbb{R}^{C \times 1}V∈RC×1作为与AiA_iAi中最相似通道的索引，提取先验信息后通过1×11\times11×1卷积和 Sigmoid 生成先验指导PaP_aPa：M=MS(Ai−1,Ai),V=Top-1(M)M = MS(A_{i-1}, A_i), \quad V = \text{Top-1}(M)M=
论文: Beyond Illumination: Fine-Grained Detail Preservation in Extreme Dark Image Restoration作者: Tongshun Zhang, Pingping Liu, Zixuan Zhong, Zijian Zhang, Qiuzhan Zhou发表: AAAI 2026论文链接: https://arxiv.org/pdf/2508.03336代码链接: https://github.com/bywlzts/RFGM一、引言在极暗光环境下拍摄的图像往往存在严重的结构信息丢失和噪声污染，使得传统的低光增强方法难以恢复精细的细节和锐利的边缘。现有方法主要聚焦于全局亮度映射，忽略了纹理细节的保持，在文本检测、边缘检测等下游任务中表现不佳。本文提出了一种高效的双阶段暗光细节恢复框架，核心创新在于：第一阶段：提出残差傅里叶引导模块（RFGM），在频域中利用残差连接捕获阶段间和通道间的依赖关系，实现鲁棒的全局光照恢复；第二阶段：设计互补的Patch Mamba和Grad Mamba模块，分别专注像素级细节增强和梯度驱动的结构边缘重建；整体框架仅0.37M 参数和4.34G FLOPs，计算极其轻量，可即插即用于现有傅里叶方法。二、核心动机现有方法的局限现有频域方法（如 FourLLIE、DMFourLLIE）通过一系列卷积块顺序处理振幅和相位分量。但如图 3 的可视化分析所示，这种严格顺序的处理方式存在两个关键问题：阶段间信息退化：不同卷积阶段的特征激活强度差异显著，早期阶段的潜在有用信息未在后续阶段中有效保留和利用，导致亮度调整效果不佳；通道间信息隔离：同一阶段内不同通道的结构轮廓信息呈现不同显著性，单独处理每个通道无法综合跨通道的互补结构信息。DMFourLLIE 在不同阶段和通道上的特征可视化。Convᵢ 表示阶段特定卷积特征，Cᵢ 表示不同特征通道。本文解决思路针对上述问题，RFGM 通过残差方式利用阶段间和通道间相关性提供鲁棒先验指导——从上一阶段中捕获最有价值的振幅通道先验，避免冗余处理的同时为后续阶段的振幅映射提供精确指导，同时相位分量通过残差连接提供结构补偿。三、方法3.1 整体架构概览整个框架分为两个阶段：整体双阶段框架架构。第一阶段频域包含 6 个 RFGM，第二阶段空域包含 4 个 Patch Mamba 和编码器-解码器中的 2 个 Grad Mamba。给定暗图I∈RH×W×3I \in \mathbb{R}^{H \times W \times 3}I∈RH×W×3，首先通过3×33\times33×3卷积提取浅层特征嵌入RH×W×C\mathbb{R}^{H \times W \times C}RH×W×C。第一阶段 - 频域全局建模：6 个相同的 RFGM 以残差方式利用阶段间和通道间相关性，提供鲁棒先验指导，实现全局光照恢复。第二阶段 - 空域细节精炼：采用互补双分支 Mamba——Patch Mamba 操作在通道拼接的非下采样块上精确建模像素级相关性；Grad Mamba 聚焦高梯度区域，专注锐利边缘和边界重建。3.2 RFGM 核心原理RFGM 的核心思想是利用阶段间先验引导和通道间相似性选择来优化频域处理。前向过程前一阶段的特征Fi−1∈RH×W×CF_{i-1} \in \mathbb{R}^{H \times W \times C}Fi−1∈RH×W×C首先通过 FFT 变换到频域，得到振幅Ai−1A_{i-1}Ai−1和相位Pi−1P_{i-1}Pi−1分量，分别通过卷积+ReLU 处理得到AiA_iAi和PiP_iPi。振幅先验引导：对Ai−1A_{i-1}Ai−1和AiA_iAi进行展平后进行矩阵相似度计算MS(⋅,⋅)MS(\cdot, \cdot)MS(⋅,⋅)，得到相似度矩阵M∈RC×CM \in \mathbb{R}^{C \times C}M∈RC×C，从中选择 Top-1 向量V∈RC×1V \in \mathbb{R}^{C \times 1}V∈RC×1作为与AiA_iAi中最相似通道的索引，提取先验信息后通过1×11\times11×1卷积和 Sigmoid 生成先验指导PaP_aPa：M=MS(Ai−1,Ai),V=Top-1(M)M = MS(A_{i-1}, A_i), \quad V = \text{Top-1}(M)M=
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
