很久之前写的文章，前两天才见刊。项目的具体代码因项目原因无法公布，我自己重新训练了一个版本（包含两类预训练模型），供初学者参考。本文主要为A+B式创新。

---

文章链接：paper

代码链接：GitHub || CSDN

摘要：微光图像增强算法是图像增强算法领域的一个重要分支。为了解决亮度增强后增强图像特征严重退化的问题，人们在构建多尺度特征提取模块方面投入了大量的工作。然而，此类研究通常会产生大量参数，从而阻碍了工作的推广。为了解决上述问题，本文提出了一种用于低光图像增强的快速重参数残差网络（FRR-NET）。它取得了超越同类多尺度融合模块的结果。通过设计轻量级快速重新参数残差块和基于变压器的亮度增强模块。本文的网络只有0.012 M参数。大量的实验验证表明，本文算法在色彩还原上更加饱和，同时适当提高了亮度。与现有方法相比，FRR-NET 在主观视觉测试和图像质量测试方面表现良好，参数较少。

首先，写这篇文章的动机是想在FMR-NET的基础上再做进一步工作。主要参考的算法请查看我的paper。FRR-NET的出发点在于两个，第一，更好的特征提取能力；第二，更快的处理速度。特征提取能力的部分，还是考虑到了多尺度的使用(Inference那里的推理速度应该是你自己构建的模块中，最慢的那个卷积)，因此，级联结构 + 权重融合是很好的方法。文章名字为快速，自从FasterNet和RRRP之类的文章出来以后，除了参数量、浮点计算量以外，大多还需要考虑内存访问次数和运行速度。因此，Concat换成ADD，取消BN层，尽可能少的使用激活函数，都是很好的解决办法。

在FRRB中，最重要的工作除级联外，则是仅使用1/4通道数量进行特征提取（图像冗余的利用，可参考FasterNET原文，和GhostNET也很类似）。其次。注意力模块，非常简单，三个步骤，就不多讲了。下面的一个方法就是轻量化的双分支Transformer模块，参考的STAR。不过既然是做的有监督学习，迭代函数增强之后，依然只是作为亮度增强的特征，重新与主干网络的特征相结合。

网络整体结构非常简单。是初学者可以参考并作为研究基础的原始网络。

实验部分，我做了三个消融实验：

因为当时的想法很抽象，用了LOL数据集和FIVEK数据集做了一个结合，结果效果还行吧。三个消融实验则是模块间的消融实验，数据集的消融实验和FRRB的优势性对比（请看原文）

最后的实验效果，是很不错的。欢迎引用我的文章:

Chen, Yuhan, et al. "FRR-NET: a fast reparameterized residual network for low-light image enhancement." Signal, Image and Video Processing (2024): 1-10.