在光照不足的条件下捕获的图像会显著降低质量,不仅导致视觉效果不佳,还会降低许多计算机视觉系统的性能。为了解决这一缺陷,低光照图像增强(Low-Light Image Enhancement,LIE)技术应运而生,并通过利用光学先验知识(Guo, Hu, 2023; He, Li, Wu, 2025)和深度学习方法(Lv et al., 2021)取得了显著的成功,尤其是在大规模数据集上的单任务学习中,例如LOL-v1(Wei et al., 2018a)和LOL-v2(Yang et al., 2021)。然而,这些基准方法在面对不一致的数据集和光照条件时泛化能力有限,因此在实际应用场景中仍然不令人满意。在这方面,引入了领域泛化方法,通过学习领域不变特征来提高LIE模型在不同和未见过的领域中的性能。领域泛化的一个典型和基本假设是在训练期间存在多个源领域。因此,这些方法在不断适应变化的光照条件的同时,面临着增强低光照图像的挑战。
在这种背景下,连续学习(Continual Learning,CL),也称为终身学习或增量学习,已成为一种突出的方法,用于在不断变化的场景中提高模型的泛化能力,致力于同时提高模型的可塑性和克服灾难性遗忘(McCloskey and Cohen, 1989)。然而,以往关于CL的研究主要集中在分类和识别等判别任务上,而对涉及LIE的低级计算机视觉任务的关注相对较少。受到CL概念的启发,我们直观地探索在CL框架下实现泛化的LIE方法,即连续LIE。然而,传统CL任务与目标任务之间存在非平凡的差距,这阻碍了CL在不断变化的光照条件下的直接应用,即在传统CL中,序列领域之间的语义信息变化很大,而在目标任务中,只有与光照条件相关的信息保持不变,导致学习过程中领域的不一致性相对有限。这自然引发了以下关键问题:
•
CL能否很好地适应不断变化的光照条件?
•
是否存在其他阻碍连续LIE泛化的因素?
在这些问题指导下,我们提出了引入CL方案以实现不断变化光照条件下的低光照增强的合理性和有效性。因此,我们进行了一项包含各种基准训练范式的激励实验。在图1中,引入了光照调整系数α(Wang et al., 2023),在LOL数据集(Wei et al., 2018a)上生成更亮()和更暗()的光照条件。具体来说,对于(a),我们直接在具有三种不同光照条件的混合数据集上训练模型;对于(b),我们采用了一种没有良好设计的学习范式的顺序方案进行训练;对于(c),模型结合了基于排练的CL方法(ER,Chaudhry et al., 2019)。评估结果显示,在的光照条件下训练模型,与在的光照条件下进行第二项任务训练相比,模型的性能得到了提升。这一观察表明,无论是否采用CL策略,连续学习都能提高模型对光照变化的泛化能力。然而,如(b)和(c)所示,由于灾难性遗忘,泛化性能有显著下降。因此,连续学习可以增强模型对变化光照条件的适应能力,但灾难性遗忘对其泛化能力构成了重大挑战。
为了探索连续LIE中灾难性遗忘背后的内在原因,我们从因果角度重新审视了基于排练的方法的学习范式。为此,我们利用广泛研究的傅里叶变换(Yu et al., 2022)在频率域中对低光照图像进行分解,以确定候选变量,从而构建了一个结构因果模型(SCM,Pearl et al., 2016)。从SCM中,我们识别出阻碍连续LIE泛化改进的混淆变量,并进一步提出了一种基于后门调整的去混淆方法来减轻混淆变量的负面影响。为了确保充分的去混淆,引入了来自基于排练的CL框架的记忆缓冲区,以扩大调整变量的可用值集,这在实践中通过基于排练的不变结构正则化器(Rehearsal-based Invariant Structure Regularizer,RISR)实现。在此基础上,我们提出了一个基本命题:图像的光照信息在频率域中通常被识别为低频成分(Cui et al., 2024),我们提出了一种基于通道傅里叶变换的自注意力模块(CFTSA),以提高模型对低频信息的泛化能力,从而实现精确的因果效应估计。具体来说,我们的方法采用了全局加权平均池化(Global Weighted Average Pooling,GWAP)机制,结合低通滤波(Cui et al., 2023b)的特性,来实现面向低频信息的自注意力模块。因此,我们将这些提出的组件结合起来,得到了一种即插即用的方法,即因果连续低光照图像增强(CCLIE),使基准方法能够提高对不同光照条件的泛化能力。CCLIE的即插即用特性使其可以方便地集成到各种网络架构中,并提高模型的泛化能力。我们的关键贡献可以总结如下: