低光条件での物体検出は、弱いコントラスト、高ノイズ、そして小さな物体に対する性能の低下に悩まされがちです。既存の手法は、検出性能を向上させるために画像の強調を採用することが多く、これにより計算資源の消費が大きくなります。これらの課題に対処するために、私たちはTinyDark-YOLOを提案します。これはYOLO11に基づく適応的で効率的な低光物体検出アルゴリズムです。まず、入力画像の明るさを適応的に調整するためのAdaptive Gamma Enhancement（AGE）モジュールを設計します。次に、高次元特徴に対するグローバルコンテキストモデリングを構築し、長距離空間依存性をキャプチャするためのAttention-based Intra-scale Feature Interaction（AIFI）モジュールを導入し、小さな物体の検出精度を向上させます。最後に、計算オーバーヘッドを削減し、暗い環境での弱い特徴を捉えるモデルの能力を強化するためのLite Efficient Head（LEHead）を提案します。ExDarkデータセットに対して検証およびアブレーション実験を実施しました。その結果、提案されたモデルはExDarkデータセットでmAP@0.5が67.20%に達し、ベースラインのYOLO11nに対して2.39%の改善を達成しました。また、計算複雑度は6.3から5.8 GFLOPsに削減されました。TinyDark-YOLOはDarkFaceデータセットでも競争力のある性能を発揮します。
Zhengら（Fri,）はこの問題を研究しました。