基于Kolmogorov-Arnold网络（KANs）的扩散模型在低光照图像增强中的自适应噪声调制研究

针对低光照图像存在的噪声严重、细节丢失和对比度差等问题，研究人员提出了一种集成Kolmogorov-Arnold Networks（KANs）的自适应噪声调制扩散框架。该模型通过KANs分析局部结构并选择性控制噪声分布，在LOL-v2数据集上实现20.31 dB PSNR和0.137 LPIPS，以仅0.08M参数和13.72G FLOPs的高效性超越EnlightenGAN等现有方法，为自动驾驶、监控等领域提供了轻量化且高保真的增强方案。

　　

在计算机视觉领域，低光照图像增强是一项基础而关键的任务，广泛应用于自动驾驶、监控和航空成像等场景。然而，低光照图像往往伴随着严重的噪声、细节丢失和对比度差等问题，不仅降低了视觉质量，还阻碍了下游任务的性能。传统的基于稳定扩散的增强方法在去噪过程中对整个图像均匀施加噪声，导致纹理丰富区域不必要的细节退化。尽管深度学习方法如EnlightenGAN和RetinexNet取得了一定进展，但它们仍面临泛化能力不足、细节保存不完整和计算成本高等挑战。扩散模型虽在图像生成和去噪中表现出色，但其均匀噪声注入策略可能破坏重要结构。

为解决这些限制，研究人员开展了一项创新性研究，提出了一种集成Kolmogorov-Arnold Networks（KANs）的自适应噪声调制扩散框架。该研究由国内研究团队完成，论文发表在《Array》上。研究人员利用KANs的数学可解释性和参数高效性，通过分析局部图像结构生成空间噪声密度图，从而在扩散过程中实现噪声的选择性控制。这种方法在纹理稀疏区域注入更强噪声以促进增强，同时在细节丰富区域减少噪声以保持保真度。

研究采用了多项关键技术：基于注意力的区域重要性识别、KANs驱动的自适应噪声生成、以及扩散循环的迭代优化。实验使用LOL-v2数据集，通过Adam优化器（学习率0.001）训练模型，并采用混合损失函数（包括感知损失、SSIM损失、TV损失和色彩平衡损失）确保多维度质量。

研究结果部分，定量分析显示该方法在LOL-v2数据集上达到20.31 dB PSNR和0.137 LPIPS，显著优于对比模型。计算效率方面，仅需0.08M参数和13.74G FLOPs，较QuadPrior降低99.99%参数。视觉对比实验证实，该方法能有效恢复暗部细节且避免过增强，如室内场景中绿色书本的精准还原。消融研究验证了各损失项的必要性，移除色彩平衡损失会导致PSNR骤降至12.832。扩散步数实验确定N=20为最优，平衡亮度恢复与纹理保留。

结论部分指出，该框架通过KANs与扩散模型的协同，实现了噪声分布的空间自适应调制，解决了传统方法在细节保存与噪声抑制间的矛盾。其轻量化特性（0.08M参数）使其适合实时应用，而下游任务测试显示增强图像能提升YOLOv5等模型的检测准确率。未来工作将扩展至水下增强等复杂场景，推动智能图像处理技术的发展。这项研究不仅为低光照增强提供了新范式，也为KANs在计算机视觉中的应用开辟了道路。