Résumé - DRWKV : Concentration sur les bords des objets pour l'amélioration des images dans des conditions de faible luminosité

DRWKV : Concentration sur les bords des objets pour l'amélioration des images dans des conditions de faible luminosité

2025-07-24 17:24:59

{"Xuecheng Bai","Yuxiang Wang","Boyu Hu","Qinyuan Jie","Chuanzhi Xu","Hongru Xiao","Kechen Li","Vera Chung"}

{cs.CV,cs.AI,cs.LG}

L'article "DRWKV : Se concentrer sur les bords des objets pour l'amélioration des images faiblement éclairées" présente une nouvelle approche pour améliorer les images faiblement éclairées en se concentrant sur la préservation des bords et des détails des objets. Les contributions clés de l'article sont les suivantes : 1. **Modèle DRWKV** : L'article propose un nouveau modèle appelé DRWKV (Detailed Receptance Weighted Key Value) qui intègre la théorie GER (Global Edge Retinex) proposée par les auteurs. La théorie GER décompose efficacement l'éclairage et les structures des bords, permettant d'améliorer la fidélité des bords même dans des conditions de lumière extrêmement faible. 2. **Mécanisme de balayage évoluant** : L'article introduit un mécanisme de balayage évoluant appliqué au mécanisme d'attention WKV. Ce mécanisme capture la continuité des bords spatiaux et modélise efficacement les structures irrégulières, améliorant ainsi la fidélité des bords. 3. **Aligneur de spectre bilatéral (Bi-SAB)** : L'article conçoit le Bi-SAB pour aligner les caractéristiques de luminance et de chrominance, améliorant la naturalité visuelle et atténuant les artefacts. Le Bi-SAB est couplé à une perte MS² personnalisée pour optimiser le processus d'alignement. 4. **Expériences** : L'article démontre l'efficacité de DRWKV par des expériences extensives sur cinq benchmarks LLIE (Low-Light Image Enhancement). DRWKV atteint des performances de pointe en PSNR, SSIM et NIQE tout en maintenant une faible complexité computationnelle. De plus, DRWKV améliore les performances descendantes dans les tâches de suivi de multiples objets en faible lumière, validant ses capacités de généralisation. **Points clés du modèle DRWKV** : * **Prétraitement de la lumière** : Cette étape prétraite l'image faible lumière entrante pour séparer les composants d'éclairage, de bruit et d'artefacts. * **Global Edge Retinex (GER)** : La théorie GER est appliquée pour améliorer le composant réfléchissant, décomposant efficacement l'éclairage et les structures des bords. * **Mécanisme de balayage évoluant** : Ce mécanisme capture la continuité des bords spatiaux et modélise les structures irrégulières, améliorant ainsi la fidélité des bords. * **Aligneur de spectre bilatéral (Bi-SAB)** : Le Bi-SAB aligne les caractéristiques de luminance et de chrominance, améliorant la naturalité visuelle et atténuant les artefacts. * **Fonction de perte** : L'article propose une nouvelle fonction de perte appelée MS²-Loss, qui optimise le processus d'alignement et assure la qualité globale de l'image améliorée. **Avantages du DRWKV** : * **Amélioration de la fidélité des bords** : DRWKV préserve efficacement les bords et les détails des objets, même dans des conditions de lumière extrêmement faible. * **Apparence naturelle** : Le Bi-SAB assure que les images améliorées ont une apparence naturelle, sans introduire d'artefacts. * **Basse complexité computationnelle** : DRWKV conserve une faible complexité computationnelle, le rendant adapté aux applications en temps réel. **Conclusion** : Le modèle DRWKV offre une approche prometteuse pour améliorer les images faiblement éclairées en se concentrant sur la préservation des bords et des détails des objets. Son efficacité est démontrée par des expériences extensives, et son potentiel pour des applications réelles est significatif.