低光增强算法对比：提升视觉质量和效率

本文主要探讨了低光图像增强技术的比较及其效果分析，着重关注于提高图像的可视质量和计算效率。研究中，作者将他们的最新方法与当前最先进的技术进行了对比，包括代表性监督方法KinD[37]，以及非预期的监督学习框架ENGAN[11]。这些方法在处理低光环境下的图像时，往往存在诸如颜色失真、结构错误等问题，导致视觉质量下降。 作者的方法采用无监督学习策略，仅使用三个卷积层，这在减少复杂性的同时，仍能保持良好的增强效果。在可视化质量方面，与现有方法相比，他们的成果呈现出更为鲜明的色彩和清晰的轮廓，显示出显著的优势。此外，文章详细报告了计算效率，包括模型大小（SIZE）、计算浮点运算次数（FLOP）以及运行时间（TIME），结果显示他们的方法在效率上具有显著优势。 比较的五种测量指标包括增强任务中的峰值信噪比（PSNR）、结构相似度指数（SSIM）和边缘能量弥散度（EME）、检测任务中的平均精度（mAP）以及分割任务中的平均交并比（mIoU）。这些数值表明，他们的方法在所有任务上都表现出色，能够提供更高的性能和更高效的计算支持。 本研究通过深入分析和实证结果，展示了作者团队的低光图像增强方法在提升图像质量和计算效率方面的优秀性能，对于那些追求高质量增强效果且注重计算效率的场景具有重要的参考价值。