这是本人发表的第二篇文章，目前已经见刊。欢迎大家引用。

文章链接：FMR-Net: a fast multi-scale residual network for low-light image enhancement | Multimedia Systems (springer.com)

代码链接：Github CSDN

这篇文章的特色在于，参数量很小。参数量仅有0.014M。我们提出一种用于弱光图像增强的快速多尺度残差网络。通过叠加高度优化的残差块以及设计分支结构，我们提出了轻量级的骨干网络，仅有0.014M个参数。本文设计了快速多尺度残差块（FMRB），用于图像特征的提取以及加速推理速度。经大量实验验证表明，本文算法可有效提高弱光图像的亮度并保持对比度，相较于现有方法在主观视觉测试和图像质量测试上表现出色，并且参数量更小。

我们参考了文章：[2204.08397] 快速、高内存的网络，实现高效图像超分辨率 (arxiv.org)

这篇文章的残差结构非常有意思，因此我们参考这篇文章设计了一个可以叠加非常多尺度的卷积核的残差块。

同时，我们这个模块的依据，还来源于重参数残差结构：CVPR 2023 开放获取存储库 (thecvf.com)

因此，可以做到，获取多尺度特征的同时，推理速度也很快。

因为特征冗余其实非常多相似的图像，当然我们没有像FasterNet一样去验证特征冗余的部分。

注意力模块是非常简洁的，仅仅只是做了个点乘的操作，用于特征的加速收敛。

亮度增强部分，采用的ZeroDCE的策略，非常简单。

整体的网络速度是非常快的，也尽可能的减少了网络深度，达到了更加轻量化的目的。

接下来我们做了模块的对比实验，和常用的特征提取模块进行比较来验证MRB的性能：

具体的比较模块，可以看我的文章。

最后做比较实验，效果是十分不错的：

各项性能都是非常不错的。

具体请引用和参考我的文章。这是一篇很普通的A+B+C的工作。只是给大家提供一个思路。感谢。