摘要
基于深度学习的方法凭借其强大的建模能力取得了显著进展。然而，这些模型的权重是在整个训练数据集上共同学习得到的，不可避免地导致在学习到的增强映射中忽略了样本特异性属性。这一问题使得在测试阶段，对于与训练数据分布差异较大的样本，其增强效果往往不理想。针对这一问题，本文提出引入外部记忆机制，构建一种外部记忆增强网络（EMNet），用于低光照图像增强。该外部记忆旨在捕捉训练数据集中样本的特异性属性，从而在测试阶段为图像增强提供指导。得益于所学习到的记忆机制，模型能够“记住”整个数据集中参考图像更复杂的分布特征，从而更自适应地调整测试样本的增强过程。为进一步提升模型容量，本文以Transformer作为基础网络架构，利用其在捕捉长距离空间冗余方面的优势。实验结果表明，所提出的方法在性能上表现优异，优于当前最先进的技术。值得注意的是，所提出的外部记忆机制具有即插即用（plug-and-play）特性，可无缝集成至现有任意图像增强方法中，进一步提升增强质量。本文还对将外部记忆机制与其他图像增强方法结合的多种实践进行了定性和定量分析，结果进一步验证了该记忆机制在与现有增强方法融合时的有效性。