一、不是“看不见”，而是“看不清”

低光增强这件事，其实早就被做“烂”了。

今天的问题不是：

❌ 能不能把图变亮

而是：

✅ 变亮之后，信息还在不在

现实很残酷：

• • 字变亮了 → 但糊成一团
• • 边缘出来了 → 但像水彩画
• • 降噪做了 → 但细节一起没了

👉 这不是增强问题，这是信息重建问题。

二、这篇中稿 CVPR 2026 的论文，干了一件非常“反直觉”的事

论文《Beyond Illumination: Fine-Grained Detail Preservation in Extreme Dark Image Restoration》做对了一件大多数人没意识到的事：

把“亮度”和“结构”彻底拆开处理。

而不是：

把图像丢进一个更大的网络

结果很离谱：

• • 参数量：0.37M
• • 对比对象：千万级恢复模型
• • 表现：细节恢复 + 下游任务（文本检测）显著提升

👉 小模型赢的不是算力，是“问题拆解方式”。

三、核心思想只有一句话（建议直接记住）

先在频域把“光”校准，再在空间域把“结构”补回来。

可以把整套方法理解为一个两阶段系统：

① 在频域把光校准
② 在空间域把细节补回来

后面所有模块，其实都在服务这两个目标

Stage 1：Frequency First —— 先把黑夜“定调”

作者没有在像素空间硬拉亮度，而是直接切到频域。

原因很简单：

光照问题，本质是低频问题。

他们做了什么？

👉 用一个 RFGM（残差傅里叶引导模块）：

• • 在 幅度谱（magnitude） 上做残差学习
• • 相位（phase）保持不动（避免结构扭曲）

你可以把它理解为：

👉 一个“全局调光器”，先把画面从“不可用”拉回“可分析”

（即插即用代码）

   
   
   

   
   
   

    

    
    
    

     
     
     

      1
     
     
     
     
     
     

      2
     
     
     
     
     
     

      3
     
     
     
     
     
     

      4
     
     
     
     
     
     

      5
     
     
     
     
     
     

      6
     
     
     
     
     
     

      7
     
     
     
     
     
     

      8
     
     
     
     
     
     

      9
     
     
     
     
     
     

      10
     
     
     
     
     
     

      11
     
     
     
     
     
     

      12
     
     
     
     
     
     

      13
     
     
     
     
     
     

      14
     
     
     
     
     
     

      15
     
     
     
     
     
     

      16
     
     
     
     
     
     

      17
     
     
     
     
     
     

      18
     
     
     
     
     
     

      19
     
     
     
     
     
     

      20
     
     
     
     
     
     

      21
     
     
     
     
     
     

      22
     
     
     
     
     
     

      23
     
     
     
     
     
     

      24
     
     
     
     
     
     

      25
     
     
     
     
     
     

      26
     
     
     
     
     
     

      27
     
     
     
    
    
    


    
    
    

     
     
     
import torch
import torch.nn as nn
import torch.fft

class RFGM(nn.Module):
    """
    即插即用频域调光模块
    """
    def __init__(self, dim):
        super().__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(dim, dim, 1),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Conv2d(dim, dim, 1)
        )

    def forward(self, x):
        fft_x = torch.fft.rfft2(x, norm='ortho')
        mag, pha = torch.abs(fft_x), torch.angle(fft_x)

        # 只修幅度，不动相位（关键点）
        mag = mag + self.conv(mag)

        real = mag * torch.cos(pha)
        imag = mag * torch.sin(pha)

        return torch.fft.irfft2(torch.complex(real, imag), s=x.shape[-2:])
    
    
    


   
   
   

👉 这段代码可以直接挂在任何低光模型前面当“光照预处理器”。

Stage 2：Structure Refinement —— 再开始“绣花”

亮了之后，真正的问题才开始：

细节在哪？

这里作者用了一个非常聪明的组合：

1️⃣ Patch Mamba：做“全局关系”

• • 不降分辨率
• • 建模长距离依赖
• • 复杂度远低于 Transformer

👉 用一句话概括：

比 CNN 看得远，比 Transformer 更轻。

2️⃣ Grad Mamba：专门盯“边缘”

这是整篇论文最值钱的点。

他们意识到：

Mamba 有一个隐性问题：会让边缘变软

于是单独搞了一个分支：

👉 专门在 梯度域（edge / contour） 上建模

结果就是：

• • 该锐的地方更锐
• • 该断的边不会糊掉

👉 这一步，本质是：

把“结构恢复”变成一个显式任务，而不是隐式学习。

（多数据集对比）
可以重点看：

边缘是否糊
文字是否断裂
噪声是否被误当细节

亮度不是问题，结构才是胜负手

四、这篇论文真正厉害的，不是结构，而是范式

很多人看完会记住：

• • Mamba
• • 频域
• • 轻量模型

但真正该记住的是这个👇：

🧠 一种新范式：

Illumination Normalization（频域）
→ Structure Reconstruction（空间域）

换句话说：

❌ 不要再用一个模型解决所有问题
✅ 把问题拆开，让每一部分在“最适合的域”里解决

五、可以直接拿去写论文/做项目的方向

这套思路其实已经不局限于低光了：

1️⃣ 低光 + 下游任务融合

• • 夜间目标检测
• • 夜间 OCR
• • 自动驾驶感知

👉 先增强 → 再检测，不如一体化设计

2️⃣ 轻量化部署（非常现实的方向）

• • 0.3M 参数意味着：
• • 手机端 ✔️
• • 摄像头端 ✔️
• • 实时处理 ✔️

👉 这是可以直接进产品的结构

六、资源（我帮你们整理好了）

为了不让你们卡在“找数据 / 找代码”，我整理了一份完整复现包：

🎁 包含：

• • LOL v1 / v2
• • SID（极暗）
• • LSRW（华为）
• • 论文官方代码
• • Patch Mamba Demo

👉 获取方式：
扫码回复：LLIE

低光增强的上限，从来不取决于模型大小，

而取决于你有没有把“光”和“结构”当成两件事。