MambaLLIE: Implicit Retinex-Aware Low Light Enhancement with Global-then-Local State Space

最近低光图像增强的进展主要由基于Retinex的学习框架主导，利用卷积神经网络（CNNs）和Transformer。然而，传统的Retinex理论主要解决全局光照退化问题，忽略了在暗条件下噪声和模糊等局部问题。此外，由于有限的感受野，CNNs和Transformer难以捕捉全局退化。虽然状态空间模型（SSMs）在长序列建模方面表现出了很大的潜力，但它们在结合视觉数据中的局部不变性和全局上下文方面面临挑战。在本文中，我们介绍了MambaLLIE，一种隐式Retinex感知的低光增强器，具有全局-局部状态空间设计。我们首先提出了一个局部增强状态空间模块（LESSM），它在2D选择性扫描机制中引入了增强的局部偏差，通过保留局部2D依赖性来增强原始的SSMs。此外，一种隐式Retinex感知的选择性内核模块（IRSK）通过空间变化操作动态选择特征，通过自适应内核选择过程适应不同的输入。我们的全局-局部状态空间块（GLSSB）将LESSM和IRSK与LayerNorm作为其核心相结合。这种设计使MambaLLIE能够实现全面的全局长距离建模和灵活的局部特征聚合。广泛的实验表明，MambaLLIE显著优于最先进的基于CNN和Transformer的方法。项目页面：https://mamballie.github.io/anon/

本论文旨在解决低光照条件下图像增强中全局和局部问题的挑战，提出了一种全局-局部状态空间设计的MambaLLIE增强器。

MambaLLIE增强器采用了Local-Enhanced State Space Module (LESSM)和Implicit Retinex-aware Selective Kernel module (IRSK)的组合，实现了全局长序列建模和灵活的局部特征聚合。

论文使用了自适应核选择过程的空间变化操作，通过2D选择性扫描机制增强了局部2D依赖性。实验结果表明，MambaLLIE显著优于当前基于CNN和Transformer的方法。

最近的相关研究包括Retinex-based learning framework、CNNs和Transformers、以及state space models (SSMs)等。