ExpoMamba：利用频率SSM模块实现高效且有效的图像增强

低光照图像增强在计算机视觉领域仍是一项具有挑战性的任务，现有最先进模型常受限于硬件条件和计算效率，尤其是在处理高分辨率图像时表现尤为明显。尽管近年来的基座模型（如Transformer和扩散模型）在多个领域展现出优异性能，但由于其计算复杂度高、推理速度慢，难以在边缘设备上实际应用。为此，我们提出了一种新型架构——ExpoMamba，该模型在改进的U-Net框架中融合了频率状态空间（frequency state space）的组件，实现了高效性与有效性的良好平衡。该模型特别针对低光照图像增强中常见的混合曝光问题进行了优化，同时保障了极高的计算效率。实验结果表明，ExpoMamba在保持36.6毫秒推理时间的前提下，图像增强速度比传统模型快2至3倍，并在PSNR指标上相较现有方法提升约15%至20%，展现出显著的性能优势，因而非常适用于实时图像处理应用场景。