GLARE：基于生成潜在特征的低光照图像增强代码库检索

大多数现有的低光照图像增强（LLIE）方法要么直接将低光照（LL）图像映射到正常光照（NL）图像，要么使用语义图或光照图作为引导。然而，由于LLIE问题的不适定性和从受损输入中提取语义信息的困难，这些方法在极端低光照条件下受到限制。为了解决这一问题，我们提出了一种基于生成潜在特征码本检索的新LLIE网络——生成潜在特征码本检索网络（GLARE），其中码本先验是通过向量量化（VQ）策略从未退化的NL图像中提取得到的。更重要的是，我们开发了一个生成性的可逆潜在归一化流（I-LNF）模块，用于对齐LL特征分布与NL潜在表示，从而保证在码本中正确检索代码。此外，还设计了一个新颖的自适应特征变换（AFT）模块，该模块具有用户可调功能，并包含一个自适应混合块（AMB）以及双解码器架构，旨在进一步提高保真度的同时保留由码本先验提供的真实细节。大量实验验证了GLARE在各种基准数据集和实际数据上的优越性能。其在低光照目标检测任务中的有效性进一步证明了GLARE适用于高级视觉应用。代码已发布在 https://github.com/LowLevelAI/GLARE。