Mamba来搞图像增强了！高创新，发小论文不愁！

news2024/9/25 3:26:23

用Mamba做图像增强是个创新性比较高的方向，因为Mamba拥有非常独特的架构设计，能够同时捕获全局和局部的信息，轻松助力模型理解图像的整体结构和上下文，帮助我们确保图像细节的准确恢复和增强。

这种优势让它在保持高效计算的同时，又能完美实现高精度的图像增强效果，因此在图像增强领域遥遥领先，有关这个高效率又高性能方向的文章自然也就发的很多，创新空间非常可观。

目前这方向的创新着眼于进一步挖掘和完善Mamba的优势，以应对更复杂、多样化的图像增强需求。根据这个，我这边整理了16篇最新的Mamba图像增强论文，基本都有代码，大家可以参考这些高质量论文的思路，尽快找到创新点。

论文原文+开源代码需要的同学看文末

ResVMUNetX: A Low-Light Enhancement Network Based on VMamba

方法：论文提出一种基于Mamba架构-ResVMUNetX的低光图像增强框架，通过引入降噪模块和误差回归理论，有效改善低光图像的质量，实现了较好的增强效果。此外，它通过有效的VMamba架构优化了长距离信息的捕获，并通过状态空间模型的优化显著提高了算法的计算速度，同时减少了参数和计算负载。

创新点：

基于Mamba架构的低光图像增强框架，通过添加卷积神经网络（CNN）上采样和下采样模块，解决了Mamba架构在获取二维图像边缘信息方面的不足。同时，还整合了定制的DenoiseCNN降噪模块，专门用于降噪处理。
为了解决低光图像中的噪声问题，专门设计了一个名为DenoiseCNN的深度网络模块，用于在低光图像中消除噪声成分。

Retinexmamba: Retinex-based Mamba for Low-light Image Enhancement

方法：论文提出了一种名为RetinexMamba的新型架构，该架构基于Retinex理论和Mamba模型，专门用于低光照条件下的图像增强。RetinexMamba结合了传统Retinex方法的物理直观性和Retinexformer深度学习框架的优势，并利用状态空间模型的计算效率来提高处理速度。

创新点：

首次引入Mamba用于低光增强，使用SS2D替代Transformer来捕捉长距离依赖关系。
提出了更好地实现与Retinex理论一致的照明特征嵌入的融合模块。
广泛的定量和定性实验证明该方法优于基于Retinex理论的所有先前深度学习方法。

LLEMamba: Low-Light Enhancement via Relighting-Guided Mamba with Deep Unfolding Network

方法：本文介绍了一种新的低光图像增强方法——基于重新照明引导的深度展开网络的LLEMamba。该方法通过嵌入交替方向乘子法（ADMM）的迭代优化过程，构建了一个具有深度先验知识的Retinex模型。

创新点：

提出了LLEMamba，通过理论可解释性和重建质量的双重优势，LLEMamba在低光增强方面取得了双赢的效果。
将Mamba融合到Retinex模型的迭代优化过程中，提供了更高的计算效率，使得深层展开网络的多次迭代能够得到稳定的闭式解。
设计了基于ADMM的更准确的交替迭代解决方案方法，通过大量实验，证明了该模型在各种基准数据集上优于现有的最先进方法。

Wave-Mamba: Wavelet State Space Model for Ultra-High-Definition Low-Light Image Enhancement

方法：本文针对超高清图像的低光增强任务，提出了一种名为Wave-Mamba的新方法。该方法利用小波变换避免信息损失，并通过增强低频信息进行匹配校正，从而有效避免了纹理错误和信息丢失。Wave-Mamba在提高照明和去噪的效果方面展现出了非凡的效果和效率。

创新点：

提出了一种名为Wave-Mamba的新方法，将Mamba引入到UHD LLIE任务中。该方法在波尔域观察到的独特特征的启发下，利用小波变换避免信息丢失，并克服了对噪声不敏感的SSMs的缺点。
提出了一种创新的、空间变异和可逆的降采样方法NSEN，以解决传统UHD恢复技术中降采样带来的局限性。
首次尝试将基于Transformer模型的LLFormer用于UHD低光图像增强任务。