《MambaLLIE：基于隐式Retinex感知的低光照增强框架与全局-局部状态空间建模》学习笔记

Paper:2405.16105

Github:GitHub - wengjiangwei/MambaLLIE

摘要

一、介绍

二、相关工作

2.1 低光图像增强

2.2 视觉空间状态模型

三、方法

3.1 预备知识

3.2 整体流程

3.3 全局优先-局部次之状态空间块

四、实验

4.1 基准数据集与实施细节

4.2 对比实验

4.3 真实场景实验评估

低光照目标检测

用户感知研究

4.4 消融实验

五、局限性与讨论

摘要

低光照图像增强领域的最新进展主要由基于Retinex理论的学习框架主导，这些框架普遍采用卷积神经网络（CNN）和Transformer架构。然而，经典Retinex理论主要解决全局光照退化问题，却忽视了暗光条件下噪声与模糊等局部退化现象。此外，受限于有限的感受野，CNN与Transformer难以有效捕捉全局退化特征。尽管状态空间模型（SSMs）在长序列建模中展现出潜力，但在视觉数据中融合局部不变性与全局上下文时仍面临挑战。本文提出MambaLLIE——一种基于隐式Retinex感知的低光照增强框架，其核心在于全局优先-局部次之的状态空间设计。我们首先构建局部增强型状态空间模块（LESSM），通过在二维选择性扫描机制中引入增强型局部偏置，有效保留局部二维依赖关系从而优化传统SSMs。进一步提出隐式Retinex感知选择性核模块（IRSK），采用空间变化操作实现特征动态选择，通过自适应核选择过程适应不同输入特征。所设计的全局-局部状态空间块（GLSSB）以LayerNorm为核心整合LESSM与IRSK模块，使MambaLLIE能够实现全面的全局长程建模与灵活的局部特征聚合。大量实验表明，MambaLLIE在多项指标上显著优于当前最先进的CNN与Transformer方法。

一、介绍

低光照图像增强是计算机视觉领域的一项极具挑战性的任务，主要源于光照条件不足与传感器退化问题。此类退化图像通常同时存在全局可见性低下和局部色彩失真、噪声等复合缺陷，不仅影响人类视觉感知，还会对目标检测等高层视觉任务产生负面影响。

传统增强方法如直方图均衡化[1]和伽马校正[5]通过全局映射操作进行图像优化，但往往难以有效处理局部退化问题。近年来，基于卷积神经网络（CNN）与Transformer的方法逐渐占据主导地位[43, 52, 13, 31, 46, 3]。其中，CNN方法[43, 52, 13, 31, 45]通过有效聚合局部信息取得显著进展，但受限于固定感受野与权重共享策略，存在局部归纳偏差问题，导致模型对输入变化的适应性不足。另一方面，Transformer方法[46, 3, 50]借助自注意力机制建立长程依赖关系，获得更大且自适应的感受野，但其原始注意力机制的计算复杂度随输入尺寸呈平方级增长，带来显著计算负担。

近期，Mamba[8, 25, 22]在计算机视觉领域引发广泛关注。这类内部状态空间模型（SSMs）展现出线性复杂度下建模全局信息的潜力。然而，直接将视觉状态空间模型应用于低光图像增强存在明显局限——SSMs专为长程建模设计，缺乏有效捕捉局部信息的灵活性[54]。如图1所示，典型视觉状态空间模型MambaIR[14]虽相比CNN与Transformer方法具有更广的感受野，但在精细局部交互处理方面仍显不足。

本研究提出MambaLLIE创新框架，在全局优先-局部次之的状态空间模型中融合隐式Retinex感知机制。该框架不仅探索了状态空间模型在低光增强中的应用潜力，还通过Retinex感知结构提供显隐双重引导。核心创新包括：首创的全局-局部状态空间块（GLSSB），通过增强型状态空间实现全局长程退化建模与局部特征聚合；引入Retinex感知选择性核机制，借助特定空间操作实现光照强度的自适应调节。

本工作的主要贡献可归纳为三方面：

首先，提出整合局部增强状态空间模块与隐式Retinex感知选择性核模块的新型全局-局部状态空间块，有效捕捉复杂全局-局部依赖关系；

其次，设计隐式Retinex感知选择性核机制指导深层神经表征，无需复杂结构设计即可实现光照组件的自主分离与融合，突破了显式方法的局限性；

最后，在基准数据集与真实场景中的实验验证表明，本方法在各项指标上均显著优于现有最先进方法。

二、相关工作

2.1 低光图像增强

低光照图像增强方法当前主要可分为端到端学习与基于Retinex理论的两大范式[21]。LLNet[27]率先通过监督学习将深度神经网络应用于该任务，开创性地构建了端到端增强框架。LightenNet[2]基于卷积神经网络（CNN）实现单图像对比度增强，而MBLLEN[29]通过多分支CNN架构融合丰富特征。SNR-Net[46]、Restormer[50]、LLFormer[18]及文献[30]等方法则引入自注意力机制，显著提升了模型性能。然而，这类端到端模型主要依赖训练数据分布，忽视了内在的光照先验信息。

相比之下，ZeroDCE[13]、RUAS[24]及其后续改进方法[31,7,41]通过精准建模物理先验实现图像增强，展现出独特优势。但由于缺乏理想参考指导，其性能与监督学习方法仍存在差距。

在监督式Retinex模型中，主流方法通过将图像分解为光照图与反射图进行优化增强。Retinex-Net[43]开创性地将增强流程划分为分解、调整与重建三个阶段，为后续研究奠定基础。KinD[52]与URetinex-Net[45]分别提出创新性多分支架构与多阶段框架，但在模型复杂度与计算效率间的平衡仍面临挑战。近期，RetinexFormer[3]采用高效Transformer实现单阶段Retinex增强，Diff-Retinex[49]则结合Transformer分解网络与生成扩散模型进行结果重建。尽管这些方法持续推进Retinex理论的应用，但其直接套用经典Retinex框架的做法仍存在固有局限性。

2.2 视觉空间状态模型

视觉状态空间模型。状态空间模型（State Space Models, SSMs）[11,10,9]作为新兴序列建模方法，最初在自然语言处理（NLP）领域取得突破性进展，成功应用于语言理解[35]、内容推理[54]等任务。近年来，该模型在计算机视觉（CV）领域也引发广泛研究。S4ND[32]率先将状态空间机制引入CV任务，通过将传统模型中的Conv2D层与自注意力层替换为S4ND模块实现创新。VMamba[25]通过弥合有序序列与视觉图像的非因果性鸿沟，构建具有全局感受野的视觉选择性状态空间模型。Vim[53]提出具有位置感知能力的双向状态空间建模，实现了全局视觉感知。LocalMamba[15]专注于局部扫描策略以保持上下文依赖关系，而EfficientVMamba[34]通过增加卷积分支设计轻量化SSMs，同步学习全局与局部表征特征。MambaIR[14]则结合卷积与通道注意力机制增强模型能力。然而，现有视觉状态空间模型对局部信息捕捉仍显不足，因其原始SSMs专为长序列设计，未能充分考虑视觉数据固有的局部不变性特征。

三、方法

本研究致力于构建一种融合全局优先-局部次之状态空间架构的隐式Retinex感知低光照增强框架。本节首先对Retinex理论与状态空间模型进行理论溯源与框架概览，继而系统阐述所提出的MambaLLIE方法的技术细节。

3.1 预备知识

Retinex理论。经典Retinex理论[20]将低光照图像建模为反射率图与光照图的乘积分解。如文献[31,37]所述，显式Retinex方法主要遵循两种范式：其一仅估计光照图并将反射率图直接作为增强结果；其二同步估计反射率与光照图并通过优化重建正常光照图像。具体而言，给定低光照图像 $L\in R^{H\times W\times3}$ （H、W分别表示图像高度与宽度），其数学表达可形式化为：

$L = R \odot I, N = \tilde{R} \odot \tilde{I}$

其中⊙表示逐元素乘法，反射率图 $R\in R^{H \times W \times3}$ 表征物体的固有属性，光照图 $I \in R^{H \times W}$ 描述光照条件， $N \in R^{H \times W \times3}$ 为重建的正常光照图像， $\tilde{R}$ 与 $\tilde{I}$ 分别为估计的反射率与光照图。

第一种范式忽略了传感器退化导致的噪声与伪影，且逐像素光照调整策略存在固有局限性；第二种范式虽能通过双图优化提升增强效果，但需设计复杂的多分支网络架构与约束条件指导模型训练[52]。

状态空间模型。以结构化状态空间序列模型（S4）[10]与 Mamba[8]为代表的状态空间模型（SSMs），本质上是连续线性时不变（LTI）系统[44]的数学抽象。给定一维输入序列x(t)∈R，系统通过隐状态 $h(t) \in R^m$ 将其映射为输出序列y(t)∈R，其连续形式可表示为线性常微分方程（ODE）：

h'(t) = Ah(t) + Bx(t)
y(t) = Ch(t) + Dx(t)

其中m为状态维度， $A \in R^{m \times m}$ 为状态矩阵， $B \in R^{m \times1}$ 与 $C \in R^{1\times m}$ 分别为输入/输出投影矩阵，D∈R为直通参数。

由于原始SSMs为连续系统，实际计算需通过零阶保持器（ZOH）将其离散化。具体而言，将连续参数{A,B}转换为离散参数{ $\overline{A}, \overline{B}$ }：

$\overline{A} = \exp(\Delta A), \overline{B} = (\Delta A)^{-1}(\exp(\Delta A) - I) \cdot \Delta B$

其中Δ为步长参数。离散化后系统方程可改写为：

$h_t = \overline{A}h_{t-1} + \overline{B}x_t y_t = Ch_t + Dx_t$

然而，上述系统对输入变化缺乏动态适应性。为此，Mamba[8]提出选择性状态空间模型，使参数随输入动态调整：

其中 $f_B(x_t)$ 、 $f_C(x_t)$ 与 $f_A(x_t)$ 为线性投影函数，将输入特征扩展至隐状态维度。虽然SSMs擅长长序列建模，但其在捕捉复杂局部信息方面存在固有局限。针对视觉数据，VMamba[25]与Vim[53]提出位置感知扫描策略以保持图像二维结构完整性，但其定向序列扫描机制仍忽略了像素邻域的空间关联特性。受文献[54]启发，本研究构建全局优先-局部次之状态空间，通过先验全局感知引导局部细节补充，有效弥补现有模型在局部信息建模方面的不足。

3.2 整体流程

MambaLLIE整体架构。如图2(a)所示，本框架采用经典U型编解码结构，主要由卷积下采样层、全局-局部状态空间块（GLSSB）与上采样层构成。编码器通过跳跃连接与对称解码器进行特征融合，其核心创新体现于以下设计：

给定低光照图像 $L\in R^{H\times W \times 3}$ ，首先通过3×3卷积层提取初始特征 $F \in R^{H \times W \times C}$ 。进一步将图像均值先验 $L_{mean} \in R^{H \times W}$ 与最大值先验 $L_{max} \in R^{H \times W}$ 拼接为增强输入 $L_p \in R^{H \times W \times 5}$ ：

$L_p = \text{Concat}(L, \text{mean}(L), \text{max}(L))$

GLSSB核心模块作为框架基本单元，每个GLSSB包含局部增强型状态空间模块（LESSM）与隐式Retinex感知选择性核模块（IRSK），其间通过LayerNorm层进行特征规整。增强输入 $L_p$ 经卷积投影后输入GLSSB，输出特征记为 $F_g \in R^{H \times W \times C}$ 。

通过三级下采样操作（i=0,1,2）逐级提取深层特征，其维度变化遵循 $F_g \in R^{H/2^i \times W/2^i \times 2^i C}$ 。对称上采样层通过跳跃连接融合编码器-解码器对应尺度特征，最终经3×3卷积输出残差特征 $F_{out} \in R^{H \times W \times 3}$ 。

增强图像通过 $N = F_{out} + L$ 实现端到端重建，有效保留原始图像低频信息。

3.3 全局优先-局部次之状态空间块

如图2(b)所示，全局-局部状态空间块（GLSSB）遵循"层归一化→LESSM→层归一化→IRSK"的级联结构，其设计灵感源于Transformer[38]与Mamba[8]的基础模块构建范式。给定输入特征 $F_{g}^{i-1} \in R^{H \times W \times C}$ ，其处理流程可形式化描述如下：

通过层归一化（LayerNorm）与局部增强型状态空间模块（LESSM）实现全局依赖建模：

$M = \text{LESSM}(\text{LayerNorm}(F_{g}^{i-1})) + F_{g}^{i-1}$

再次应用层归一化后，由隐式Retinex感知选择性核模块（IRSK）实现局部特征自适应调节：

$F_{g}^{i} = \text{IRSK}(\text{LayerNorm}(M)) + M$

局部增强型状态空间模块。现有状态空间模型[6,10,8]擅长捕捉长程依赖中的因果处理特性，但其单向扫描机制难以建模视觉数据的非因果关系。尽管[53,25,34]等研究通过多方向2D扫描策略改进视觉数据处理，但这些方法仍忽视视觉数据的局部不变性——固定扫描模式会扩大邻域数据的空间距离并扰乱因果关联。

如图2(c)所示，我们在传统连续线性时不变系统框架下引入增强型局部偏置项 $e(L_p)$ ，通过保持局部二维依赖性优化状态空间模型。改进后的系统方程可表述为：

$h_t = \overline{A}h_{t-1} + \overline{B}x_t ,y_t = Ch_t + Dx_t + e(L_p)$

其中 $e(L_p)$ 为独立于隐状态空间的局部偏置项。具体实现时，给定特征 $F \in R^{H \times W \times 5}$ 与光照特征 $L_p \in R^{H \times W \times C}$ ，模型通过层归一化与LESSM模块整合空间长程依赖。参照[8]的设计，输入特征被拆分为 $\tilde{F}_1$ 和 $\tilde{F}2$ 两个分支进行处理。第一分支通过线性层投影后执行深度可分离卷积与SiLU激活函数，随后注入增强型局部偏置并进行层归一化；第二分支则通过线性层投影与SiLU激活函数处理。最终，两分支特征通过逐元素乘积实现交互，并由线性层投影回原始特征空间。该过程可形式化描述为：

$F_1 = \text{LayerNorm}(\text{2DSSM}(\text{SiLU}(\text{DWConv}(\text{Linear}(F_1)))) + \text{Conv}(L_p))$

$F_2 = \text{SiLU}(\text{Linear}(F_2))$

$F{out} = \text{Linear}(F_1 \odot F_2)$

隐式Retinex感知选择性核模块。本研究进一步构建隐式Retinex感知选择性核网络以增强特征整合能力。如图2(d)所示，IRSK模块通过可调卷积核构建多尺度深度卷积序列，基于光照先验实现空间选择性特征筛选。受LSKNet[23]启发，对每个选择性核输出的特征图施加Sigmoid激活函数，从光照先验中提取独立光照图。该过程可形式化描述为：

$\tilde{F}_k = \tilde{F}_{out}, \tilde{F}_{k+1} = f^k_{\text{DWconv}}(\tilde{F}_k)$

"SK-1"和"SK-2"分别代表 选择性核分支（Selective Kernel Branch 1 和 Branch 2）

通过残差连接将Retinex感知图与输入特征拼接后，依次执行深度卷积、GELU激活函数与标准卷积操作。具体实现流程包含两个关键步骤：

光照图分离：将光照先验特征经卷积与Sigmoid激活分解为双通道权重图
$\left \{ S_1, S_2 \right \}= \text{Chunk}(\text{Sigmoid}(\text{Conv}(L_p)))$
特征自适应融合：通过加权求和实现多尺度特征选择
$F_g = \text{Conv}(\text{GELU}(\text{DWConv}(\sum_{k=1}^K \tilde{F}_k S_k + F_{out})))$

四、实验

4.1 基准数据集与实施细节

数据集。实验采用五个成对低光照数据集进行评估：LOL-V2-real[48]、LOL-v2-syn[48]、SMID[4]、SDSD-indoor[39]与SDSD-outdoor[39]。其中，LOL-V2-real包含689对真实低光-正常光训练样本及100对测试样本；LOL-v2-syn提供900对合成训练样本与100对测试样本；SMID数据集包含15,763对短曝光-长曝光训练图像及其余测试样本；SDSD-indoor与SDSD-outdoor均选自SDSD静态数据集，分别包含62对室内场景与116对室外场景训练样本，以及6对室内与10对室外测试样本。

实施细节。基于PyTorch[33]框架在NVIDIA 4090 GPU服务器上实现MambaLLIE。训练阶段将图像对随机裁剪为128×128图像块作为输入，采用旋转与翻转等数据增强策略，批次大小设为8。优化过程采用Adam[19]优化器（β₁=0.9，β₂=0.999），总迭代次数为1.5×10⁵。初始学习率设为2×10⁻⁴，并通过余弦退火策略逐步衰减。损失函数选用平均绝对误差（MAE），评估指标采用峰值信噪比（PSNR）与结构相似性（SSIM）[42]。

4.2 对比实验

定量对比分析。如表1所示，本研究将MambaLLIE与11种最先进的图像增强方法进行性能对比，包括RetinexNet[43]、DeepUPE[40]、SID[4]、KinD[52]、MIRNet[51]、EnGan[17]、Restormer[50]、SNR-Net[46]、QuadPrior[41]、MambaIR[14]及RetinexFormer[3]。实验结果表明：

MambaLLIE在PSNR（峰值信噪比）与SSIM（结构相似性）指标上全面超越现有方法。在LOL-V2-real与SDSD-outdoor数据集上，其SSIM指标与最优方法持平。

参数量相近的情况下，MambaLLIE较基于Transformer的最优方法RetinexFormer平均提升0.2 dB，较早期Transformer方法SNR-Net在全数据集平均提升1 dB。

MambaLLIE在五个基准数据集上的PSNR提升分别为：1.70 dB（LOL-V2-real）、0.32 dB（LOL-V2-syn）、2.19 dB（SMID）、1.15 dB（SDSD-indoor）与0.25 dB（SDSD-outdoor）。

相较RetinexNet、DeepUPE及KinD等传统Retinex模型，MambaLLIE在所有数据集上的PSNR提升均超过7 dB，验证了深度学习框架的显著优势。

定性对比分析。图3-4展示了MambaLLIE与最新方法的视觉对比结果：

现有方法普遍存在光照补偿不足问题（图3），无法有效恢复暗部细节。例如，RetinexNet在极低光区域产生色块伪影，而SNR-Net则出现局部过曝。图4所示，传统方法易引发色彩失真（如KinD的绿色偏移）与细节模糊（如MambaIR的纹理丢失）。MambaLLIE则通过隐式Retinex感知机制，在提升整体亮度的同时，忠实保持颜色真实性（与Ground Truth色彩分布一致），并精细恢复毛发纹理、建筑边缘等高频细节。对于传感器噪声与运动模糊共存的场景（如SMID数据集），MambaLLIE展现出更强的退化解耦能力，相较Diff-Retinex的扩散模型方案，其重建结果噪声抑制更彻底且细节更锐利。

4.3 真实场景实验评估

低光照图像增强在真实场景中面临双重挑战：需同时提升下游任务（如暗光目标检测）性能并满足人类视觉感知需求。本节通过两项实验验证MambaLLIE的实际应用价值。

低光照目标检测

采用ExDark数据集[26]评估增强算法对高层视觉任务的增益。该数据集包含7,363张标注12类边界框的低光图像（5,890张训练/1,473张测试）。所有监督方法均在LOL-V2-syn数据集预训练后，通过不同增强方法处理低光图像，并以YOLOv3[36]作为目标检测器进行微调。

如表2所示，MambaLLIE在平均精度（mAP）上优于所有对比方法，尤其在车辆（Car）、椅子（Chair）、杯子（Cup）与桌子（Table）类别中表现最佳。图5(a)的视觉对比表明：相较于次优方法SCI，MambaLLIE增强后的图像使检测器能在极暗区域（如两人与椅子的场景）成功定位目标，而其他方法均失效。

用户感知研究

为评估增强结果的人类视觉感知质量，本研究开展用户调研。从基准数据集与ExDark数据集中随机选取7张不同光照条件的低光图像，使用各方法预训练模型进行增强。70名参与者从以下维度进行1（最差）至5（最优）评分：

整体视觉效果（光照均衡性、自然度）
局部细节保留（纹理清晰度、边缘锐度）
色彩失真与噪声（颜色保真度、伪影抑制）

如表3所示，MambaLLIE在所有评分维度均获最高分。图5(b)展示典型样例对比：相较于其他算法，MambaLLIE增强结果在保持色彩自然的同时，显著提升暗部细节（如树叶纹理、建筑窗格结构），且无过曝或色偏现象。

4.4 消融实验

隐式Retinex感知框架对比。本研究通过对比端到端模型、显式Retinex模型与隐式Retinex框架验证方法有效性。具体而言：

Baseline-1：移除Retinex感知引导机制，直接通过输入估计增强结果
Baseline-2：显式估计光照图并通过逐元素乘法调整亮度

如表4所示，隐式Retinex框架较Baseline-1在PSNR指标上提升1.25 dB，较Baseline-2提升1.00 dB，验证隐式引导机制在退化建模中的优势。

全局-局部状态空间消融分析。针对GLSSB核心组件LESSM与IRSK进行模块级验证：

LESSM效果：相比使用原始状态空间块的Baseline-1与Baseline-2，LESSM分别带来0.33 dB与0.08 dB的PSNR提升，证明局部增强偏置对空间建模的有效性
IRSK效果：IRSK模块相较原始SSM提升0.96 dB（Baseline-1）、0.74 dB（Baseline-2）与0.63 dB（单LESSM配置），表明选择性核机制对特征融合的关键作用
联合效能：当LESSM与IRSK协同工作时，MambaLLIE取得最高PSNR（28.45 dB）与SSIM（0.923），验证全局-局部协同设计的必要性

选择性核行为分析。如图6所示，隐式Retinex感知机制通过互补特征学习正负光照分量：

核选择模式：IRSK在浅层优先使用小核（3×3）聚焦局部细节，深层采用大核（5×5）实现跨区域特征融合，避免传统检测任务中大核引发的边缘填充问题
与LSKNet对比：LSKNet[23]采用递增核尺寸策略以适应检测任务的大感受野需求，但图像增强任务中连续填充会加剧边缘伪影。MambaLLIE的逆向核尺寸设计（小→大）既可快速捕获局部信息，又能通过深层大核实现全局特征整合

五、局限性与讨论

本研究通过隐式Retinex感知引导与全局-局部状态空间框架，有效解决了低光增强中的全局光照不足与局部退化问题，但仍存在以下局限性：

先验依赖性：相较于端到端方法，本框架需设计合理的光照先验（如均值/最大值先验），其性能部分依赖于先验经验。在极端场景（如全黑区域占比超过80%），先验估计可能失效，需结合语义信息优化。
评估指标偏差：现有增强模型（包括本工作）多以均方误差（MSE）为损失函数，依赖PSNR/SSIM作为评价指标。然而，这些指标与人类视觉感知存在固有偏差。为此，我们通过真实场景实验（目标检测任务与用户调研）补充验证方法的实用性，缓解指标局限性。

未来工作将探索：