面向移动设备的超轻量无监督低光照图像增强框架LiteIE研究

针对移动设备上低光照图像增强(LLIE)存在的计算效率与视觉质量难以平衡的问题，研究人员提出仅含58个参数的LiteIE框架，通过双卷积特征提取器与无参迭代恢复模块(IRM)，在LOL数据集实现19.04 dB PSNR，较SOTA提升1.4 dB，并在骁龙8 Gen3芯片实现4K/30FPS实时处理，为边缘计算提供实用解决方案。

　　

在自动驾驶、安防监控和移动摄影等领域，低光照条件下拍摄的图像常面临能见度低、噪声严重和色彩失真等问题，直接影响人类视觉感知和下游计算机视觉任务性能。尽管现有深度学习方法如Retinex理论和基于Transformer的UPT-Flow等取得进展，但普遍存在参数量大（通常数百万）、依赖标注数据等问题，难以在骁龙等移动芯片上实现实时处理。

针对这一技术瓶颈，中国研究人员提出革命性的LiteIE框架。该工作通过极简主义设计，将模型参数量压缩至惊人的58个，仅用两个卷积层构建网络无关的特征提取器，配合创新的无参迭代恢复模块(IRM)，在保持19.04 dB峰值信噪比(PSNR)的同时，实现较现有最佳方法(SOTA)1.4 dB的性能提升。相关成果发表于《Expert Systems with Applications》，为移动端低光照增强树立了新的效率标杆。

关键技术方法包括：1) 采用3-1-3架构的双卷积特征提取器；2) 设计多尺度颜色一致性损失(MSCol Loss)实现无监督训练；3) 基于LOL数据集的量化评估体系；4) 在骁龙8 Gen3移动平台部署验证。

【Proposed method】
研究团队构建的LiteIE框架包含两大创新组件：轻量级特征提取模块通过递归复用两个卷积层参数，生成增强张量；IRM模块则通过特征重利用机制渐进恢复细节，全程不引入新参数。实验显示，该设计使模型大小仅为同类方法的0.07%。

【Evaluating Method Performance】
在LOL数据集测试中，仅58参数的LiteIE取得19.04 dB PSNR，超越基于注意力的JTE-CFlow等大型模型。消融实验证实，IRM模块通过3次迭代可使细节恢复效率提升37%。

【Experiments】
移动端实测表明，在骁龙8 Gen3芯片上处理4K分辨率图像时，LiteIE保持30 FPS的实时性能，内存占用不足1MB。跨数据集测试显示，其无监督训练策略使模型在ExDark等未见过数据上保持稳定增强效果。

这项研究突破了"参数量-性能"的传统权衡关系，证实极简架构通过精心设计的特征复用机制，可达到甚至超越复杂模型的增强效果。尤其值得注意的是，LiteIE首次在移动平台实现4K级实时低光增强，为智能驾驶夜间感知、移动端计算摄影等场景提供了切实可用的解决方案。研究揭示的"少即是多"设计哲学，对边缘计算时代的轻量级视觉算法开发具有重要启示意义。