ECAFormer: Low-light Image Enhancement using Cross Attention

低光图像增强(LLIE)对自动驾驶至关重要。尽管如此重要，现有的LLIE方法通常优先考虑整体亮度调整的鲁棒性，这可能会牺牲细节保留。为了克服这个限制，我们提出了Hierarchical Mutual Enhancement via Cross-Attention transformer (ECAFormer)，这是一种新颖的网络，利用双重多头自我关注(DMSA)在不同尺度上增强视觉和语义特征，显著地保留了细节。ECAFormer中的交叉关注机制不仅改进了传统的增强技术，而且在保持全局亮度调整和局部细节保留之间保持平衡方面表现出色。我们在著名的低照度数据集，包括SID和LOL上进行了广泛的实验验证，并在黑暗道路场景的额外测试中表现出了优异的性能，包括提高了SSIM和PSNR指标的照明增强和降噪，同时优化了计算复杂度和参数数量。我们的项目可在https://github.com/ruanyudi/ECAFormer上获得。

提高低光照图像增强的细节保留能力，同时保持全局亮度调整的平衡。

使用Hierarchical Mutual Enhancement via Cross-Attention transformer (ECAFormer)网络，利用Dual Multi-head Self Attention (DMSA)跨尺度增强视觉和语义特征，同时保留细节。

论文在知名的低照度数据集SID和LOL上进行了广泛的实验验证，并在暗路场景中进行了额外的测试，表现优于现有方法。同时，论文还优化了计算复杂度和参数数量，进一步提高了SSIM和PSNR指标。

相关研究包括：Low-light image enhancement via a deep hybrid network with histogram specification, Learning to See in the Dark, Deep Retinex Decomposition for Low-Light Enhancement等。