AIGS-Net: Compact Illumination Field Modeling via 2D Gaussian Splatting for Fast Low-Light Image Enhancement
作者: Yuhan Chen, Kunyang Huang, Fuchen Li, Zhuohan Qin, Guofa Li, Wenbo Chu, Keqiang Li
分类: cs.CV
发布日期: 2026-06-16
💡 一句话要点
提出AIGS-Net以解决低光照图像增强中的计算复杂性问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 低光照图像增强 高斯点云 自适应照明 图像处理 计算机视觉 深度学习
📋 核心要点
- 现有低光照图像增强方法在照明场建模的表示能力与计算复杂性之间存在瓶颈，限制了其应用效果。
- 本文提出的AIGS-Net通过输入自适应的二维高斯点云构建照明场，动态调节透明度以实现快速增强。
- 在LOL和LSRW基准测试中，AIGS-Net显著提高了细节恢复和色彩保真度，且仅需约40个可学习参数。
📝 摘要（中文）
现有的低光照图像增强方法常常面临照明场建模的表示能力与计算复杂性之间的瓶颈。为了解决这一问题，本文提出了一种自适应照明高斯点云网络（AIGS-Net），这是一种超轻量级架构，旨在快速进行低光照增强。与传统的静态先验不同，AIGS-Net构建了一个输入自适应的二维高斯点云照明场。高斯基函数的透明度由输入图像的相对亮度统计动态调节，并通过有序的α合成实现空间变化的照明补偿。为了有效引导自适应照明补偿，本文引入了一种零参数非线性多尺度上下文编码模块，以提取低频结构和局部对比线索，而无需额外的卷积权重。为抑制噪声放大和传感器引起的色彩偏差，AIGS-Net集成了噪声掩膜估计、锁定单通道伽马映射、跨通道一致性正则化和目标色彩对齐约束。实验结果表明，AIGS-Net在LOL和LSRW基准上提高了细节恢复和色彩保真度，同时仅需约40个可学习参数，实现了增强质量与极高推理效率之间的有效权衡。
🔬 方法详解
问题定义：本文旨在解决低光照图像增强中，现有方法在照明场建模的表示能力与计算复杂性之间的矛盾，导致增强效果不佳和计算效率低下的问题。
核心思路：AIGS-Net通过构建输入自适应的二维高斯点云照明场，动态调整高斯基函数的透明度，以适应不同输入图像的亮度特征，从而实现高效的低光照图像增强。
技术框架：AIGS-Net的整体架构包括多个模块：输入自适应的高斯点云生成模块、零参数非线性多尺度上下文编码模块、噪声掩膜估计模块、伽马映射模块和跨通道一致性正则化模块，形成一个完整的图像增强流程。
关键创新：AIGS-Net的核心创新在于其动态调节的高斯点云照明场设计，区别于传统静态先验方法，能够更好地适应输入图像的特征，提升增强效果。
关键设计：AIGS-Net采用零参数的非线性多尺度上下文编码模块，避免了额外的卷积权重，同时集成了噪声掩膜估计和锁定单通道伽马映射等技术，以抑制噪声和色彩偏差。整体网络仅需约40个可学习参数，确保了高效的推理性能。
🖼️ 关键图片
📊 实验亮点
在LOL和LSRW基准测试中，AIGS-Net在细节恢复和色彩保真度方面表现优异，相较于现有方法，提升幅度显著，且仅需约40个可学习参数，展现出极高的推理效率。
🎯 应用场景
AIGS-Net在低光照图像增强领域具有广泛的应用潜力，尤其适用于夜间摄影、监控视频处理和医学成像等场景。其高效的推理性能和优良的增强效果将推动相关技术在实际应用中的落地，提升图像质量和视觉体验。
📄 摘要（原文）
Existing low-light image enhancement methods often face a bottleneck between the representation capacity of illumination-field modeling and computational complexity. To address this issue, this paper proposes an Adaptive Illumination Gaussian Splatting Network (AIGS-Net), an ultra-lightweight architecture for fast low-light enhancement. Unlike conventional static priors, AIGS-Net constructs an input-adaptive 2D Gaussian Splatting illumination field. The opacity of Gaussian basis functions is dynamically modulated by relative luminance statistics of the input image, and spatially varying illumination compensation is rendered through ordered alpha compositing. To guide adaptive illumination compensation efficiently, a zero-parameter nonlinear multiscale contextual encoding module is introduced to extract low-frequency structures and local contrast cues without additional convolutional weights. To suppress noise amplification and sensor-induced color bias, AIGS-Net integrates noise-mask estimation, locked single-channel Gamma mapping, cross-channel consistency regularization, and target color-alignment constraints. Experiments on LOL and LSRW benchmarks show that AIGS-Net improves detail recovery and color fidelity while requiring only approximately 40 learnable parameters, achieving an effective trade-off between enhancement quality and extreme inference efficiency.