Retinexmamba: Retinex-based Mamba for Low-light Image Enhancement

在低光图像增强领域，传统的Retinex方法和先进的深度学习技术（如Retinexformer）都显示出了明显的优势和局限性。传统的Retinex方法旨在模拟人眼对亮度和颜色的感知，将图像分解为光照和反射部分，但在低光条件下难以处理噪声管理和细节保留。Retinexformer通过传统的自注意机制增强了光照估计，但面临着解释能力不足和优化效果不佳的挑战。为了克服这些局限性，本文介绍了RetinexMamba架构。RetinexMamba不仅捕捉了传统Retinex方法的物理直观性，而且还整合了Retinexformer的深度学习框架，利用状态空间模型（SSMs）的计算效率来提高处理速度。该架构具有创新的光照估计器和损伤恢复机制，可以在增强过程中保持图像质量。此外，RetinexMamba用融合注意机制替换了Retinexformer中的IG-MSA（光照引导的多头注意力），提高了模型的可解释性。在LOL数据集上的实验评估表明，RetinexMamba在定量和定性指标上均优于基于Retinex理论的现有深度学习方法，验证了其在增强低光图像方面的有效性和优越性。

论文旨在解决低光照图像增强中传统Retinex方法和深度学习技术的局限性，提出一种新的RetinexMamba架构来提高处理速度和图像质量。

RetinexMamba结合了传统Retinex方法和深度学习框架，利用State Space Models（SSMs）的计算效率来提高处理速度，同时采用创新的光照估计器和损伤修复机制来保持图像质量。此外，RetinexMamba采用Fused-Attention机制来提高模型的可解释性。

论文在LOL数据集上进行了实验评估，证明了RetinexMamba在定量和定性指标上优于现有的基于Retinex理论的深度学习方法。此外，论文还开源了代码，提供了可重复的实验环境。

近期的相关研究包括：Retinexformer、Deep Retinex Decomposition等。