ICCV 2025 | 电子科大MobileIE：超轻量 ConvNet + 重参数化，移动端实时图像增强实现1100FPS
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
点击上方“小白学视觉”，选择加\“星标\“或“置顶”
重磅干货，第一时间送达
图像增强（IE）旨在恢复因各种因素而退化的图像。随着智能设备和嵌入式系统的普及，实时图像增强在移动设备等应用中变得至关重要。然而，目前基于Transformer和扩散的方法虽在图像增强任务中取得显著进展，但因计算成本高昂，不适用于移动设备。轻量级模型虽降低了计算复杂度，但往往牺牲了增强质量，难以在各种退化场景中实现高性能。此外，当前的IE方法通常针对特定退化类型优化，适应性有限，设计一个能在资源受限设备上进行实时IE的通用且高效网络仍是重大挑战。
论文提出的MobileIE框架专为移动设备实时图像增强设计，集成了重参数化与增量权重优化策略。它包含浅层特征提取、深层特征提取、特征变换和注意力机制等组件，仅约4K参数，能在资源受限环境下兼顾速度与性能。
设计的MBRConv（多分支重参数化卷积）针对图像增强，以不同卷积核尺寸分支捕获多尺度特征。推理时可重参数化为单个卷积，降低计算成本。并行BatchNorm层提升了非线性与模型鲁棒性。结合增量权重优化（IWO）策略，融合先验知识与可学习权重，改善特征整合，提升模型性能与收敛性。
引入特征自变换（FST）模块，通过二次交互机制增强模型非线性表达，捕捉特征间更复杂关系，提升特征表示能力。提出分层双路径注意力（HDPA）机制，以双路径结构自适应提取全局与局部特征，融合空间与通道交互，提升特征精度与全面性，且结构简单，计算成本低。
针对紧凑型CNN优化难题，提出LVW损失。根据预测输出与真实值的局部均值和方差计算加权因子，动态调整每个像素对总损失的贡献，更关注异常像素优化，平衡损失函数的鲁棒性与细节保留能力。
作者在PyTorch中实现了MobileIE，使用Adam优化器和余弦退火学习率调度。对于不同任务，使用了相应的数据集进行训练和测试。
在低光图像增强（LLE）、水下图像增强（UIE）和图像信号处理（ISP）三个任务上，MobileIE与当前轻量级最先进方法进行比较。结果显示，MobileIE在各项指标上表现卓越或可比，且推理速度快。例如在LLE任务中，与轻量级最先进方法IAT相比，MobileIE在仅使用4. 7%参数的情况下实现了可比的PSNR提升，推理速度快6. 9倍。
通过一系列消融研究，验证了MobileIE各模块的有效性。MBRConv和LVW损失显著提高了模型性能；IWO增强内核骨架、减少通道冗余、促进训练收敛；FST增强非线性特征交互；HDPA实现精确特征捕获；LVW在异常值优化中表现出色。
MobileIE作为一种仅含4K参数的轻量级CNN，在移动设备实时图像增强方面展现出了巨大的优势。它将简洁性与高性能相结合，能够在保持约0. 9ms推理时间的同时取得优异结果，且可在任何商用移动设备上轻松部署。未来，研究团队将探索优化方法，将MobileIE的应用扩展到更多不同的任务中。相信随着技术的不断发展，MobileIE将为我们的移动视觉体验带来更多的惊喜！
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：人工智能0基础学习攻略手册
在「小白学视觉」公众号后台回复：攻略手册，即可获取《从0入门人工智能学习攻略手册》文档，包含视频课件、习题、电子书、代码、数据等人工智能学习相关资源，可以下载离线学习。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三+上海交大+视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
