Dévoilement d'un Paradigme Avancé de Désentrelacement Fréquentiel pour l'Amélioration d'Images en Faible Lumière

Les approches précédentes d'amélioration d'images en faible lumière (LLIE), tout en utilisant des techniques de décomposition fréquentielle pour aborder les défis enchevêtrés de basse fréquence (par exemple, récupération d'illumination) et de haute fréquence (par exemple, réduction de bruit), se sont principalement concentrées sur le développement de réseaux dédiés et complexes pour obtenir des performances améliorées. En revanche, nous révélons qu'un paradigme de désentrelacement avancé est suffisant pour améliorer de manière cohérente les méthodes à la pointe de la technologie avec un surcoût computationnel minimal. S'appuyant sur le schéma de décomposition de Laplace d'image, nous proposons une nouvelle méthode de cohérence de basse fréquence, facilitant une optimisation améliorée du désentrelacement fréquentiel. Notre méthode, s'intégrant sans effort avec divers modèles tels que les CNN, les Transformers, ainsi que les modèles basés sur le flux et la diffusion, démontre une adaptabilité remarquable. Des améliorations notables sont mises en évidence à travers cinq benchmarks populaires, avec des gains allant jusqu'à 7,68 dB en PSNR obtenus pour six modèles à la pointe de la technologie. Impressionnant, notre approche maintient son efficacité avec seulement 88K paramètres supplémentaires, établissant une nouvelle norme dans le domaine difficile de l'amélioration d'images en faible lumière.