标题：InterLight: Leveraging Intrinsic Illumination Priors for Low-Light Image Enhancement

作者：Ziqi Wang，Xu Zhang，Laibin Chang，Shi Chen，Jiaqi Ma，Huan Zhang

单位：

会议/期刊：IJCAI 2026

论文链接：https://arxiv.org/abs/2605.19982

项目链接：https://github.com/House-yuyu/InterLight

低光照图像增强（Low-Light Image Enhancement, LLIE）一直是计算机视觉中的经典问题。在光照不足场景下，图像往往会出现亮度低、噪声重、颜色失真以及细节缺失等问题，不仅影响视觉观感，也会降低检测、分割等下游任务的性能。

近年来，基于深度学习与 Retinex 理论的方法在低光增强领域取得了明显进展，但现有方法仍存在几个关键问题：一方面，它们容易出现过增强、颜色漂移等现象；另一方面，大多数方法默认噪声分布均匀或光照理想，忽视了低光图像本身所蕴含的“内在光照先验”。

为了解决这些问题，论文提出了一个新的低光增强框架——InterLight。该方法不再仅仅将低光增强视为普通的图像翻译任务，而是构建了一套“光照感知”的增强流程。具体来说，作者通过物理引导的数据增强模拟真实传感器响应，通过退化提示（Prompt）建模场景的光照状态，并设计亮度门控记忆模块，在暗区域重点恢复缺失信息，在亮区域尽量保持原始细节。

大量实验结果表明，InterLight在 LOL、SID、SICE 等多个低光数据集上均取得了优异表现，生成结果在纹理、亮度与颜色一致性方面明显优于现有方法。

低光照图像增强的核心目标，说白了就是：

“把黑乎乎的照片修得清晰自然。”

但这个任务实际上非常困难。

因为低光图像不仅仅是“亮度低”这么简单，它还会伴随：

传统方法，比如直方图均衡化、Retinex增强等，通常依赖人工设计规则。这类方法虽然简单，但面对复杂真实场景时往往不稳定。

后来深度学习方法开始兴起，例如：

这些方法通过神经网络学习“低光→正常光”的映射关系，效果相比传统方法提升很多。

但作者发现：

它们虽然使用了Retinex、颜色空间等“先验”，但并没有真正深入利用：

低光图像本身所蕴含的“内在光照规律（Intrinsic Illumination Prior）”。

例如：

然而现有方法通常使用统一增强策略。

结果就是：

因此作者提出：

能否构建一种“真正理解光照退化”的低光增强框架？

于是，InterLight诞生了。

InterLight不再将低光增强简单视作图像翻译，而是围绕“光照先验”构建完整增强流程。整个网络从数据增强、退化建模到特征恢复，均显式考虑低光场景中的物理与统计规律，使模型更符合真实低光成像过程。

作者设计了 Intrinsic-Consistent Data Expansion（ICDE）模块，通过物理引导增强（PGA）模拟真实传感器响应，同时利用一致性约束（PIC）保证增强前后结构稳定性。相比普通数据增强，这种方式更符合真实低光退化规律。

作者设计了一个可学习退化字典（Degradation Dictionary），用于提取不同图像的退化特征，并生成对应 Prompt。这样网络可以根据图像当前退化程度动态调整增强策略，实现更加智能的恢复。

传统卷积难以恢复严重缺失细节，因此作者引入记忆机制。LGIM能够根据区域亮度动态决定恢复强度：

这种设计显著提升了细节恢复能力，同时避免过增强。

InterLight采用了最新提出的 HVI 色彩空间，将亮度与颜色信息有效分离。相比RGB空间直接增强，HVI空间更加适合低光场景下的颜色恢复与噪声抑制。

这一部分是论文核心。

整体框架如图所示，InterLight主要由以下几个模块组成：

下面逐步解析。

InterLight整体流程如下：

输入低光图像后，首先进行物理引导增强，模拟不同传感器响应。

网络分析图像当前退化程度，并生成对应的 degradation prompt。

图像被转换到 HVI 色彩空间：

实现亮度与颜色解耦。

网络采用双分支结构：

并通过跨分支交互共享信息。

利用记忆模块补偿暗区域缺失细节。

最后重新恢复为 RGB 图像输出。

论文使用了 CIDNet 中提出的 HVI 色彩空间。

传统RGB空间的问题在于：

因此作者将图像转换为：

核心思想是：

亮度单独恢复，颜色单独修正。

这样可以显著减少颜色漂移问题。

同时作者还引入密度函数：

C_k=\left(\sin\left(\frac{\pi P}{2}\right)+\epsilon\right)^k

它能够在暗区域自动削弱不可靠颜色信息。

这是论文非常重要的设计。

作者认为：

普通增强（随机亮度、随机颜色）并不符合真实低光成像规律。

因此提出：

其核心是：

通过轻量 Gamma 变化模拟真实传感器响应。

公式如下：

I_{pga}=\alpha I^{\gamma}+(1-\alpha)I

其中：

避免：

作者进一步要求：

同一图像经过不同扰动后，其增强结果应保持一致。

因此引入 consistency loss。

这样模型能够学习：

“真正稳定的光照特征”。

这是论文最核心的创新之一。

作者发现：

不同图像退化程度差异巨大。

例如：

它们需要完全不同增强策略。

因此作者提出：

即：

维护一个可学习退化字典。

网络会自动学习：

然后根据输入图像动态组合生成 Prompt。

其生成方式为：

p=\phi\left(\sum_{k=1}^{K}\alpha_k d_k\right)

这样网络可以：

这是论文区别于普通Transformer增强模型的重要点。

PRFB模块负责：

“利用退化Prompt指导特征恢复”。

它会根据退化信息动态调节：

简单理解：

网络会根据图像“病情”决定“治疗方案”。

严重退化 → 强恢复 轻微退化 → 弱恢复

因此增强结果更加稳定自然。

这是论文另一个非常亮眼的设计。

作者认为：

卷积只能看到局部。

但很多暗区域：

实际上已经“没有有效信息”。

因此仅靠卷积恢复是不够的。

LGIM维护一个记忆库：

当暗区域信息缺失时：

网络会主动查询记忆库。

类似：

“参考历史经验进行补全”。

但作者并不希望：

所有区域都强行补细节。

因此提出亮度门控：

对应公式：

F_{out}=F_{in}+\lambda(1+\sigma(\eta)(1-g))F_{mem}

这一设计很好解决了：

问题。

论文在多个主流低光数据集上进行测试：

这些数据集覆盖：

具有较强代表性。

主要使用：

衡量恢复质量。

包括：

等多个SOTA方法。

如表所示，InterLight在多个LOL子集上均取得 领先 结果。

例如：

InterLight达到：

取得当前最优性能。

相比 CIDNet：

PSNR提升约：

说明：

单纯HVI空间还不够，真正有效的是“内在光照先验”。

如表所示：

InterLight在 SID 数据集达到：

超过 CIDNet。

SID场景极其困难：

而InterLight依然稳定领先。

说明：

LGIM与ADPG确实提升了极暗场景恢复能力。

如表所示：

完整模型相比Baseline提升：

其中：

说明：

三个模块都有效，且具有互补性。

尤其LGIM贡献非常明显。

如 Figure 3 所示：

相比 RetinexFormer 与 CIDNet：

InterLight具有：

特别是在：

表现更加稳定。

如图所示：

InterLight在文字区域恢复效果明显更自然。

其他方法容易：

而InterLight能够恢复：

说明其记忆恢复机制确实有效。

InterLight是一篇非常典型的：

“从先验理解出发”的低光增强工作。

相比传统方法单纯提升亮度，作者真正关注：

论文最大亮点主要有三个：

尤其LGIM设计非常有启发性。

它说明：

未来低光增强可能不再只是卷积或Transformer竞争，而会逐渐走向：

“先验+记忆+动态恢复”的方向。

未来工作中：

都可能成为进一步研究方向。

本文旨在分享作者对原论文的学习成果与心得体会，因受制于个人知识水平和理解能力，文中对原论文内容的解读可能存在不尽完善之处，最终解释权以原论文为准。本文仅用于学术传播和交流，内容均由作者独立整理，不代表本公众号的观点。如文中涉及的文字、图片及其他作品在版权或其他相关事宜上存在争议，欢迎及时与作者联系，作者将在第一时间回复并妥善处理。