NTIRE 2026 Challenge on Efficient Low Light Image Enhancement: Methods and Results
NTIRE 2026挑战提出RetinexFormerRefine等方法，在低光照图像增强中实现SSIM提升至0.5654，模型小于1MB。
核心发现
方法论
研究采用轻量化网络架构，如RetinexFormerRefine、U-Net变体和基于Transformer的模型，结合亮度反射分解、颜色空间分离等技术，优化低光照图像增强性能与计算效率。
关键结果
- MiVideo团队的RetinexFormerRefine模型在SSIM上达到0.5654，LPIPS为0.3632，模型参数仅927,049个，排名第一。
- CVPR TCD团队提出基于灰度引导的跨注意力Transformer，SSIM为0.5500，LPIPS为0.4801，参数仅557,618个。
- S3团队采用CLAHE预处理与轻量化U-Net，SSIM为0.5183，LPIPS为0.4157，参数741,600个。
研究意义
该研究推动了低光照图像增强领域的技术进步，特别是在资源受限环境下的应用，如移动设备。通过轻量化设计和高效算法，解决了传统方法在计算成本和部署上的瓶颈。
技术贡献
提出了多种创新技术，包括Retinex模型优化、颜色空间分离、轻量化Transformer模块和结构重参数化，显著提升了低光照图像增强的性能与效率。
新颖性
首次在低光照图像增强中系统性结合亮度反射分解与轻量化Transformer模块，同时实现模型小于1MB的严格约束。
局限性
- 部分方法在极端低光场景下表现不稳定，可能出现颜色失真。
- 模型训练依赖高性能GPU，资源需求较高。
- 未充分探索跨设备的泛化能力。
未来方向
未来可探索跨设备的泛化能力、极端场景下的鲁棒性提升，以及进一步优化模型的训练效率与资源需求。
AI 总览摘要
NTIRE 2026挑战聚焦低光照图像增强，旨在设计高效轻量化网络以提升图像质量并满足资源受限环境的需求。挑战吸引了207名参与者，最终17支队伍提交了有效方案。
研究提出了多种创新方法，包括RetinexFormerRefine、基于Transformer的灰度引导模型和CLAHE预处理结合轻量化U-Net等，显著提升了增强质量与计算效率。实验结果表明，MiVideo团队的RetinexFormerRefine模型在SSIM和LPIPS指标上表现最佳，同时保持模型参数低于1MB。
该研究不仅推动了低光照图像增强技术的发展，还为移动设备等资源受限场景的实际应用提供了重要参考。未来工作将重点关注跨设备泛化能力和极端场景下的鲁棒性提升。
深度分析
研究背景
低光照图像增强旨在改善暗光环境下的图像质量，解决噪声、伪影和颜色失真问题。近年来，深度学习方法取得了显著进展，但模型复杂度和计算成本限制了其在移动设备上的应用。
核心问题
传统低光照增强方法在提升图像质量的同时，往往伴随计算成本的增加，难以满足资源受限设备的需求。如何在性能与效率之间取得平衡成为关键挑战。
核心创新
研究提出了多种创新方法，包括基于Retinex模型的轻量化网络、颜色空间分离技术和结构重参数化等，显著优化了低光照增强的性能与效率。
方法详解
- �� RetinexFormerRefine结合亮度反射分解与轻量化设计，采用多分支结构重参数化技术。
- �� 灰度引导的跨注意力Transformer通过融合灰度与RGB特征实现结构感知增强。
- �� CLAHE预处理结合轻量化U-Net，通过分阶段训练优化亮度与对比度。
实验设计
实验使用华为和苹果手机采集的低光照数据集，包含349个训练场景、49个验证场景和102个测试场景。评估指标包括SSIM、LPIPS、DISTS等，模型大小限制为1MB。
结果分析
MiVideo团队的RetinexFormerRefine模型在SSIM上达到0.5654，LPIPS为0.3632，参数仅927,049个，排名第一。CVPR TCD团队提出的Transformer模型在LPIPS上表现优异，参数仅557,618个。
应用场景
研究成果可直接应用于移动设备的夜间摄影优化，同时为资源受限环境下的图像处理提供技术支持。
局限与展望
部分方法在极端低光场景下表现不稳定，模型训练资源需求较高，跨设备泛化能力有待进一步验证。
通俗解读 非专业人士也能看懂
想象你在黑暗的房间里拍照，照片看起来模糊且颜色失真。研究就像一个智能灯泡，它不仅让房间变亮，还能自动调整照片的颜色和细节。通过轻量化设计，这个灯泡可以装进你的手机，随时随地帮你拍出清晰的照片。
简单解释 像给14岁少年讲一样
想象你在玩游戏时，屏幕太暗看不清敌人。研究就像一个超级滤镜，可以让屏幕变亮，同时保持画面细节不失真。它还很轻巧，不会让你的手机卡顿！是不是很酷？
术语表
Retinex模型 (亮度反射模型)
一种分解图像亮度与反射成分的方法，用于低光照增强。
用于优化图像亮度与细节恢复。
SSIM (结构相似性)
衡量图像结构相似性的指标，范围为0到1。
用于评估增强图像与原图的相似性。
LPIPS (感知损失)
基于深度特征的图像质量评价指标。
用于评估增强图像的视觉质量。
CLAHE (对比度自适应直方图均衡化)
一种图像预处理技术，用于增强对比度。
用于初步亮度与对比度调整。
结构重参数化
一种训练时使用多分支结构，推理时转换为单分支的技术。
用于提升模型效率。
开放问题 这项研究留下的未解疑问
- 1 如何进一步提升极端低光场景下的鲁棒性？
- 2 跨设备泛化能力的优化方向是什么？
应用场景
近期应用
夜间摄影优化
通过轻量化模型提升手机夜间拍摄质量，适用于普通用户。
资源受限设备应用
为嵌入式设备提供高效图像增强解决方案。
远期愿景
泛化能力提升
探索跨设备的低光照增强技术，适应更多场景。
原文摘要
This paper presents a comprehensive review of the NITRE 2026 Efficient Low Light Image Enhancement (E-LLIE) Challenge, highlighting the proposed solutions and final outcomes. This challenge focuses on mobile image enhancement under low-light conditions, aiming to design lightweight networks that improve enhancement quality while ensuring practical deployability under limited computational resources. A total of 207 participants registered, 27 teams submitted valid entries, and 17 teams ultimately provided valid factsheet. Based on these submissions, this paper provides a systematic evaluation of recent methods for E-LLIE, offering a comprehensive overview of state-of-the-art progress and demonstrating significant improvements in both performance and efficiency.