Nighttime Dehaze-Enhancement
BITS Pilani（贝拉技术科学学院（皮拉尼校区））
在本文中，我们介绍了一个新的计算机视觉任务称为夜间去雾增强。此任务旨在联合执行去雾和亮度增强。我们的任务从根本上不同于夜间去雾-我们的目标是联合去雾和增强场景，而夜间去雾的目的是在夜间设置下去雾场景。为了促进对这项任务的进一步研究，我们发布了一个新的基准数据集，称为Reside- $β$ Night数据集，由来自2061个场景和2061个地面实况图像的4122个夜间模糊图像组成。此外，我们还提出了一个新的网络NDENet（夜间去雾增强网络），它以端到端的方式联合执行去雾和低光增强。我们评估我们的方法在建议的基准，并实现SSIM为0.8962和PSNR为26.25。我们还将我们的网络与我们的基准上的其他基线网络进行比较，以证明我们的方法的有效性。我们认为，夜间去雾增强是一项重要的任务，特别是对于自主导航应用，并希望我们的工作将开辟新的研究领域。我们的数据集和代码将在我们的论文被接受后公开提供。
2022-10-18 cs.CV
NightHaze: Nighttime Image Dehazing via Self-Prior Learning
National University of Singapore（新加坡国立大学）；Huawei International Pte Ltd（华为国际私人有限公司）
本文提出NightHaze，一种基于自先验学习的夜间图像去雾方法，通过利用光效和噪声进行严重增强训练并引入半监督自精炼模块，显著提升了夜间图像的可见度，在MUSIQ和ClipIQA指标上大幅超越现有方法。
2024-12-23 cs.CV
Clear Nights Ahead: Towards Multi-Weather Nighttime Image Restoration
针对现实中多天气与夜间光照效应共存的图像退化问题，本文构建AllWeatherNight数据集，提出ClearNight统一恢复框架，通过Retinex双重先验与天气感知协作方法，在合成及真实图像上实现SOTA性能。
2025-11-12 cs.CV
HistoFusionNet: Histogram-Guided Fusion and Frequency-Adaptive Refinement for Nighttime Image Dehazing
McMaster University（麦克马斯特大学）
本文提出HistoFusionNet，结合直方图引导的表示学习与频率自适应特征细化，解决夜间图像去雾中的复杂退化问题，通过多尺度编码器-解码器架构提升恢复精度。
2026-04-04 cs.CV
Transmittance-Guided Structure-Texture Decomposition for Nighttime Image Dehazing
Maharaja Agrasen University（马哈拉贾·阿格拉森大学）
本文提出双阶段夜间图像去雾框架，结合透射率校正与结构-纹理分层优化，通过改进的夜间成像模型和STAR-YUV分解模型提升去雾效果。
2026-03-31 cs.CV
I-HAZE: a dehazing benchmark with real hazy and haze-free indoor images
Universitatea Politehnica Timisoara（蒂米什瓦拉理工大学）；ETH Zurich（苏黎世联邦理工学院）；Merantix GmbH（Merantix有限公司）；Universite Catholique de Louvain（鲁汶天主教大学）
图像去雾是近年来计算成像领域的一个重要课题。然而，由于缺乏地面实况图像，去雾方法的比较并不直接，也不客观。为了克服这个问题，我们引入了一个新的数据集-名为I-HAZE-其中包含35个图像对的朦胧和相应的无雾（地面实况）室内图像。与大多数现有的去雾数据库不同，雾图像是由专业的烟雾机产生的真实烟雾生成的。为了方便颜色校准和改进的去雾算法评估，每个场景都包含一个MacBeth颜色检查器。此外，由于图像是在受控环境中捕获的，因此在相同的照明条件下捕获无雾图像和有雾图像。这代表了I-HAZE数据集的一个重要优势，使我们能够使用传统的图像质量指标（如PSNR和SSIM）客观地比较现有的图像去雾技术。
2018-04-13 cs.CV
Dense Haze: A benchmark for image dehazing with dense-haze and haze-free images
Universitatea Politehnica Timisoara（蒂米什瓦拉理工大学）；University of Girona（赫罗纳大学）；ETH Zurich（苏黎世联邦理工学院）
单图像去雾是一个不适定的问题，最近引起了重要的关注。尽管在过去的几年里，人们对去雾的兴趣显著增加，但由于缺乏真实的有雾和相应的无雾参考图像，去雾方法的验证在很大程度上仍然不令人满意。为了解决这一限制，我们引入了一种新的去雾数据集--密集雾。以密集和均匀的朦胧场景为特征，密集烟雾包含33对各种户外场景的真实朦胧图像和相应的无雾图像。朦胧的场景已经记录了引入真正的烟雾，由专业烟雾机产生。有雾和无雾对应场景包含在相同照明参数下捕获的相同视觉内容。密集雾数据集旨在通过推广针对真实和各种模糊场景的鲁棒方法来显着推动单图像去雾的最新技术。我们还提供了一个全面的定性和定量评估的国家的最先进的单图像去雾技术的基础上的密集烟雾数据集。毫不奇怪，我们的研究表明，现有的去雾技术表现不佳的密集均匀朦胧的场景，还有很大的改进空间。
2019-04-05 cs.CV
Semantic Single-Image Dehazing
Australian National University（澳大利亚国立大学）；Data61 CSIRO, Australia（澳大利亚联邦科学与工业研究组织数据61部(CSIRO Data61)，澳大利亚(注：Data61是CSIRO的下属研究机构，按要求提取到公司/研究院级别，此处CSIRO为公司/研究院级别机构，Data61为其下属研究机构，故整体保留为Data61 CSIRO, Australia)）
由于单幅图像中包含的信息有限，因此单幅图像的去雾具有挑战性。以前的解决方案主要依靠手工制作的先验来弥补这一不足。最近的卷积神经网络（CNN）模型已被用于学习与雾度相关的先验知识，但它们最终用作高级图像滤波器。在本文中，我们提出了一种新的语义方法对单图像去雾。与现有的方法不同，我们推断颜色先验的基础上提取的语义特征。我们认为，语义上下文可以被利用提供信息线索（a）学习颜色之前干净的图像和（b）估计环境照明。这种设计使我们的模型能够从具有强模糊性的挑战性情况中恢复干净的图像，例如图像中的饱和照明颜色和天空区域。在实验中，我们验证了我们的方法在合成和真实的模糊图像上，其中我们的方法显示出优于最先进方法的性能，这表明语义信息有助于消除模糊任务。
2018-04-18 cs.CV
Enhancing Visibility in Nighttime Haze Images Using Guided APSF and Gradient Adaptive Convolution
National University of Singapore（新加坡国立大学）；Huawei International Pte Ltd（华为国际私人有限公司）
本文提出一种夜间雾霾图像可见性增强方法，通过光源感知网络与APSF引导辉光渲染抑制辉光，利用梯度自适应卷积保留结构细节并增强对比度，同时结合注意力图与伽马校正提升低光照区域，在GTA5夜间雾霾数据集上PSNR达30.38dB，优于现有方法13%。
2024-01-21 cs.CV
AeroLLE: Constrained Pseudo-Supervision for Nighttime Aerial Image Enhancement with the AeroNight-1.5K Benchmark
该研究针对夜间航拍图像增强难题，构建AeroNight-1.5K基准，提出两阶段框架AeroLLE，结合约束伪监督实现更均衡的曝光与颜色校正，为无配准参考时的图像增强提供有效策略。
2026-08-04 cs.CV
Seeing Motion at Nighttime with an Event Camera
Huazhong University of Science and Technology（华中科技大学）；Beijing Institute of Technology（北京理工大学）
针对夜间动态场景成像中长曝光与运动模糊的矛盾，提出基于事件相机的NER-Net网络，通过时间戳校准和非均匀光照感知模块，结合新构建的RLED数据集，实现了优于现有方法的夜间运动成像。
2024-04-18 cs.CV
C2MSNet: A Novel approach for single image haze removal
Indian Institute of Technology Ropar（罗帕尔印度理工学院）
由于雾度的存在而导致的图像质量的劣化是非常常见的现象。现有的DehazeNet [3]，MSCNN [11]解决了手工制作的烟雾相关功能的缺点。然而，这些方法在昏暗（光照不良）环境下存在颜色失真的问题。本文提出了一种用于单幅图像去雾的主色（红、绿、蓝）融合网络。在第一阶段，网络融合模糊图像中的颜色信息，生成多通道深度图。第二阶段使用多通道多尺度卷积神经网络（McMs-CNN）从生成的暗通道估计场景传输图以恢复原始场景。为了训练所提出的网络，我们使用了两个标准数据集，即ImageNet [5]和D-HAZY [1]。利用结构相似性指数（SSIM）、均方误差（MSE）和峰值信噪比（PSNR）对该方法进行了性能评估。性能分析表明，所提出的方法优于现有的国家的最先进的方法对单图像去雾。
2018-01-25 cs.CV
Reconstruction Loss Minimized FCN for Single Image Dehazing
Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）；Indian Statistical Institute Calcutta（印度统计研究所加尔各答分所）
薄雾和雾会降低室外场景的可见性，因为对象上会出现半透明层。结果，在这种条件下捕获的图像缺乏对比度。图像去雾方法试图通过恢复图像的清晰版本来缓解这个问题。本文提出了一种基于全卷积神经网络的模型，通过对模糊图像中环境照度和场景透过率的联合估计，来恢复清晰场景的辐射亮度。该方法使用松弛的雾度成像模型以允许具有非均匀照明的情况。我们通过最小化自定义的损失来训练网络，该损失以三种不同的方式测量重建模糊图像的误差。此外，我们使用一个多层次的方法来确定场景的透射率和环境照明，以减少对图像尺度的依赖性的估计。评估表明，我们的模型表现良好，与现有的最先进的方法相比。它还验证了我们的模型在各种情况和各种照明条件下的潜力。
2018-11-27 cs.CV
LED2Net: Deep Illumination-aware Dehazing with Low-light and Detail Enhancement
我们提出了一种新的去雾和低光增强方法的基础上，准确估计的卷积神经网络（CNN）的照明地图。在本文中，照明地图被用作三个不同的任务，即，大气光估计，传输图估计，和低光增强的一个组成部分。为了基于retinex理论同时训练用于去雾和低光增强的CNN，我们从来自FADE数据集的正常朦胧图像合成了许多低光和朦胧图像。此外，我们进一步改善网络使用细节增强。实验结果表明，我们的方法超越了最近的国家的最先进的算法定量和定性。特别是，我们的无雾图像呈现出鲜艳的色彩，增强了可见度，没有光晕效应或颜色失真。
2019-07-26 cs.CV
RL-AWB: Deep Reinforcement Learning for Auto White Balance Correction in Low-Light Night-time Scenes
MediaTek Inc.（联发科技股份有限公司）；National Taiwan University（国立台湾大学）；National Yang Ming Chiao Tung University（国立阳明交通大学）
本文提出RL-AWB框架，结合统计方法与深度强化学习解决低光环境下色彩恒常性问题，通过统计算法与强化学习动态优化参数，提升低光和明亮场景的泛化能力。
2026-07-09 cs.CV
Depth and Reflection Total Variation for Single Image Dehazing
Chongqing University（重庆大学）；College of Mathematics and Statistics, Chongqing University（重庆大学数学与统计学院）
由于雾度的不适定性，雾度去除一直是一个非常具有挑战性的问题，如果输入数据只是一个单一的模糊图像，这是更不适定性。在本文中，我们提出了一种新的方法来消除雾从一个单一的输入图像。所提出的方法结合了广泛使用的模型来描述形成的烟雾图像Retinex的假设，图像是照明和反射的产品。我们假设深度和反射函数在模型中是空间分段光滑的，其中总变分用于正则化。该模型被定义为一个约束优化问题，通过交替极小化方案和快速梯度投影算法求解。对所提出的模型和算法进行了理论分析。最后，数值例子表明，我们的方法可以有效地恢复生动和对比模糊的图像。
2016-01-22 cs.CV
Illumination Distillation Framework for Nighttime Person Re-Identification and A New Benchmark
Anhui University（安徽大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
提出光照蒸馏框架（IDF），结合光照增强与蒸馏模块，解决夜间行人重识别低光照难题，并构建Night600数据集，实现最先进性能。
2023-08-31 cs.CV
MFDNet: Multi-Frequency Deflare Network for Efficient Nighttime Flare Removal
针对夜间图像耀斑去除，提出基于拉普拉斯金字塔的轻量级MFDNet，通过低频感知与高频融合重建，在Flare7K上超越现有方法且计算复杂度低。
2024-06-26 cs.CV eess.IV
NDELS: A Novel Approach for Nighttime Dehazing, Low-Light Enhancement, and Light Suppression
The Graduate Center, City University of New York（纽约市立大学研究生中心）
针对夜间有雾低光照图像存在的光晕、模糊、色彩失真等质量问题，提出融合去雾、低光增强、光线抑制三流程的NDELS网络，经多数据集多算法对比验证，其在图像质量指标上表现更优。
2023-12-11 cs.CV cs.LG
CLIP-Guided Data Augmentation for Night-Time Image Dehazing
Hangzhou Dianzi University（杭州电子科技大学）；Jinan University（济南大学）；Hefei University of Technology（合肥工业大学）；Wuhan University（武汉大学）；The University of Tokyo（东京大学）
本文提出基于CLIP的夜间图像去雾数据增强方法，通过领域对齐的数据构建、分阶段训练和推理时增强提升去雾效果，解决夜间图像去雾的复杂退化问题。
2026-04-27 cs.CV
RT-X Net: RGB-Thermal cross attention network for Low-Light Image Enhancement
Indian Institute of Technology, Madras（印度理工学院马德拉斯分校）；Carnegie Mellon University（卡内基梅隆大学）
本文提出RT-X Net，通过自注意力特征提取与RGB-热红外交叉注意力融合实现夜间低光图像增强，并构建V-TIEE数据集，在LLVIP和V-TIEE上验证其优于现有方法。
2025-05-30 cs.CV
See through the Dark: Learning Illumination-affined Representations for Nighttime Occupancy Prediction
PCA Lab , Nanjing University of Science and Technology（南京理工大学光电实验室）；National University of Singapore（新加坡国立大学）；Nankai University（南开大学）
针对夜间场景下视觉占用预测性能差的问题，提出学习光照仿射表征的LIAR框架，通过SLLIE及两个光照感知组件应对光照挑战，在夜间场景下实现优越的占用预测性能。
2025-10-22 cs.CV
Backbone-Agnostic Stochastic Perturbation Learning for End-to-End Real-World Image Dehazing
Bingcai Wei（独立研究者）
针对真实世界图像去雾难题，提出BPUL框架，通过可学习扰动诱导不确定性调制器、先验信息不确定性引导重建模块及双空间域多样化分布感知对比损失，改进多个骨干，在推理时开销小且能带来显著恢复增益。
2026-07-31 cs.CV
Learnable Differencing Center for Nighttime Depth Perception
Nanjing University of Science and Technology（南京理工大学）；Chinese Academy of Sciences（中国科学院）；Nankai University（南开大学）
针对夜间深度补全与估计任务，提出LDCNet框架，利用循环卷积间差分和光照亲和卷积内差分增强图像并抑制光照变化，达到最先进性能。
2023-09-04 cs.CV
Cross-Domain Correlation Distillation for Unsupervised Domain Adaptation in Nighttime Semantic Segmentation
Tianjin University（天津大学）；Horizon Robotics（地平线机器人）
夜间语义分割的性能受到光照不足和缺乏像素级标注的限制，严重限制了其在自动驾驶中的应用。现有工程，例如，使用微光作为中间目标域来执行从白天到夜晚的适配可能无法处理由相机设备和城市风格引起的数据集之间的固有差异。面对这两种类型的域转移，即，针对数据集的光照和固有差异，提出了一种基于跨域相关蒸馏的领域自适应框架CCDistill。充分挖掘了两幅图像之间的光照不变性或内在差异，弥补了夜间图像标签的不足。具体地说，我们提取特征中包含的内容和风格知识，计算两幅图像之间的固有或光照差异程度。领域自适应是利用同类差分的不变性来实现的。在Dark Zurich和ACDC上的大量实验表明，CCDistill在夜间语义分割方面达到了最先进的性能。值得注意的是，我们的方法是一个单阶段的领域自适应网络，可以避免影响推理时间。我们的实现可以在www.example.com上获得。
2022-05-02 cs.CV
Fusion-Restoration Image Processing Algorithm to Improve the High-Temperature Deformation Measurement
College of Aerospace Science and Engineering（航空航天科学与工程学院）；National University of Defense Technology（国防科技大学）；Hunan Provincial Key Laboratory of Image Measurement and Vision Navigation（湖南省图像测量与视觉导航重点实验室）
本文提出融合-修复图像处理算法，用于抑制高温变形测量中的热辐射和热晕干扰，提升DIC测量精度和图像质量。
2026-01-19 cs.CV
Toward Fast, Flexible, and Robust Low-Light Image Enhancement
Dalian University of Technology（大连理工大学）
现有的弱光图像增强技术大多难以兼顾视觉质量和计算效率，而且在未知的复杂场景下往往失效。在本文中，我们开发了一个新的自校准照明（SCI）学习框架，用于在现实世界的低光场景中快速，灵活和强大的增亮图像。具体来说，我们建立了一个级联的照明学习过程与权重共享来处理这个任务。考虑到级联模式的计算负担，我们构造了自校准模块，该模块实现了各级结果之间的收敛，产生了仅使用单个基本块进行推理的增益（尚未在以前的工作中被利用），这大大降低了计算成本。然后，我们定义了无监督训练损失，以提高模型适应一般场景的能力。此外，我们做了全面的探索，挖掘SCI的固有属性（缺乏现有的作品），包括操作不敏感的适应性（不同的简单操作的设置下获得稳定的性能）和模型无关的通用性（可应用于照明为基础的现有作品，以提高性能）。最后，大量的实验和烧蚀研究充分表明了我们在质量和效率上的优势。在微光人脸检测和夜间语义分割中的应用充分显示了SCI潜在的实用价值。源代码可在https://github.com/vis-opt-group/SCI上获得。
2022-04-21 cs.CV
Single UHD Image Dehazing via Interpretable Pyramid Network
Shandong Normal University（山东师范大学）；Nanjing University of Science and Technology（南京理工大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
目前，大多数单个图像去雾模型无法使用单个GPU着色器实时运行超高分辨率（UHD）图像。为了解决这个问题，我们引入了泰勒定理与拉普拉斯金字塔模式的无限逼近原理，以建立一个能够实时处理4K模糊图像的模型。金字塔网络的N个分支网络对应于泰勒定理中的N个约束项。低阶多项式重建图像的低频信息（例如颜色，照明）。高阶多项式回归图像的高频信息（例如纹理）。此外，我们提出了一个基于Tucker重建的正则化项，作用于金字塔模型的每个分支网络。它进一步限制了特征空间中异常信号的生成。大量的实验结果表明，我们的方法不仅可以在单个GPU（80 FPS）上实时运行4K图像，而且具有无与伦比的可解释性。所开发的方法在两个基准测试（O/I-HAZE）和我们更新的4KID数据集上实现了最先进的（SOTA）性能，同时为后续优化方案提供了可靠的基础。
2022-02-17 cs.CV
UDPNet: Unleashing Depth-based Priors for Robust Image Dehazing
School of Computer Science and Technology, Harbin Institute of Technology（计算机科学与技术学院，哈尔滨工业大学）
UDPNet通过引入深度先验提升图像去雾性能，有效整合深度信息以提高鲁棒性和去雾效果。
2026-01-18 cs.CV
Revealing Shadows: Low-Light Image Enhancement Using Self-Calibrated Illumination
Isfahan University of Technology（伊斯法罕理工大学）；Seattle University（西雅图大学）；McMaster University（麦克马斯特大学）
本研究提出基于自校准照明（SCI）的低光图像增强方法，通过多色彩空间提取并增强照明分量，无需成对图像，保留色彩完整性，提升暗图像细节与质量。
2023-12-23 cs.CV eess.IV
Unified Low-Light Traffic Image Enhancement via Multi-Stage Illumination Recovery and Adaptive Noise Suppression
Korea University（高丽大学）
本文提出了一种无监督的多阶段深度学习框架，通过照明恢复和噪声抑制提升低光照交通图像质量，提高自动驾驶等系统的感知可靠性。
2025-11-18 cs.AI cs.CV
Rethinking Nighttime Image Deraining via Learnable Color Space Transformation
Dalian Polytechnic University（大连工业大学）；Nanjing University of Science and Technology（南京理工大学）；Dalian Martime University（大连 Maritime University）
针对夜间雨与光照耦合及数据不足问题，本文构建高质量 HQ-NightRain 基准，并提出带可学习色彩空间转换和隐式光照引导的 CST-Net，提升复杂夜间去雨效果。
2025-10-20 cs.CV
Latent Disentanglement for Low Light Image Enhancement
P.C. Rossin College of Engineering and Applied Science, Lehigh University（利哈伊大学P.C.罗森工程与应用科学学院）；Qualcomm Technologies, Inc.（高通技术公司）
针对基于Retinex的低光照图像增强算法存在分解伪影限制性能的问题，提出潜在解耦增强网络LDE-Net，在潜在空间解耦图像并设计内容感知嵌入模块引导增强，还可拓展至下游轻量增强任务，性能优于现有方法。
2024-08-12 cs.CV
Nighttime Dehazing with a Synthetic Benchmark
The University of Sydney（悉尼大学）；University of Science and Technology of China（中国科学技术大学）
提高夜间朦胧图像的可见度是具有挑战性的，因为来自主动人工光源的不均匀照明和薄雾吸收/散射。缺乏大规模基准数据集阻碍了这一领域的进展。为了解决这个问题，我们提出了一种新的合成方法，称为3R模拟夜间朦胧的图像从白天清晰的图像，首先重建场景的几何，然后模拟光线和物体的反射率，最后渲染的阴霾效果。在此基础上，我们通过从先验经验分布中采样真实世界的光颜色来生成逼真的夜间朦胧图像。在合成基准上的实验表明，这些退化因素共同降低了图像质量。为了解决这个问题，我们提出了一个最佳规模的最大反射率之前解开的颜色校正，从烟雾消除和解决它们顺序。此外，我们还设计了一个简单而有效的基于学习的基线，它具有基于MobileNet-v2骨干网的编码器-解码器结构。实验结果表明，他们的优越性比国家的最先进的方法在图像质量和运行时间。数据集和源代码都将在https://github.com/chaimi2013/3R上提供。
2020-10-19 cs.CV cs.LG eess.IV
Tracker Meets Night: A Transformer Enhancer for UAV Tracking
Tongji University（同济大学）；JD.COM Inc.（京东集团）
以往的目标跟踪技术大多是在光照条件较好的白天场景中实现的。现有的无人机夜间跟踪技术难以发挥其优势，严重阻碍了视觉跟踪在无人机领域的应用。为了实现无人机夜间可靠跟踪，提出了一种基于空间通道变换器的微光增强器（SCT），该增强器采用任务激励的方式进行训练，并在跟踪方法之前插入。为了实现针对高层次任务的语义级弱光增强，提出了一种新的空间通道注意力模块，在保持局部上下文的同时对全局信息进行建模。在增强过程中，SCT通过一个鲁棒的非线性曲线投影同时对夜间图像进行去噪和照明。此外，为了提供全面的评估，我们构建了一个具有挑战性的夜间跟踪基准，即DarkTrack2021，其中包含110个具有挑战性的序列，总共超过100 K帧。对公共UAVDark 135基准测试和新构建的DarkTrack 2021基准测试的评估表明，与其他顶级低光增强器相比，任务启发式设计使SCT在夜间无人机跟踪方面具有显着的性能提升。在典型无人机平台上的实际测试进一步验证了该方法的实用性。DarkTrack2021基准测试和所提出的方法的代码可在https://github.com/vision4robotics/SCT上公开获得。
2023-03-20 cs.CV cs.RO
Improving Panoptic Segmentation for Nighttime or Low-Illumination Urban Driving Scenes
Queen Mary University of London（伦敦玛丽女王大学）
针对夜间或低照度城市驾驶场景全景分割性能差的问题，提出两种基于CycleGAN域转换的新方法，通过白天图像生成夜间数据重训练模型，在Cityscapes数据集上实现PQ、mIoU等指标显著提升并增强鲁棒性。
2023-06-23 cs.AI cs.CV
Shadow Erosion and Nighttime Adaptability for Camera-Based Automated Driving Applications
Johannes Kepler University Linz, Austria（奥地利林茨约翰内斯·开普勒大学）；Department Intelligent Transport Systems（智能交通系统部门）
针对自动驾驶中挑战性光照下的图像增强问题，提出保留色彩纹理的阴影侵蚀与夜间适应性流水线，经对比CLAHE验证在光照均匀度等指标上更优，且能提升YOLO可行驶区域分割效果。
2025-09-02 cs.CV
DTBS: Dual-Teacher Bi-directional Self-training for Domain Adaptation in Nighttime Semantic Segmentation
Hangzhou Dianzi University（杭州电子科技大学）；University of Wollongong（伍伦贡大学）
针对夜间语义分割中自训练单向知识转移不足导致的确认偏差问题，提出双教师双向自训练框架，通过解耦风格与光照偏移并利用重加权EMA融合反馈，显著提升了无监督域适应性能。
2024-01-02 cs.CV
Night Time Haze and Glow Removal using Deep Dilated Convolutional Network
在本文中，我们解决了单一的图像去雾在夜间场景的问题。夜间雾霾去除是一个严重不适定的问题，特别是由于存在各种不同颜色和非均匀照明的可见光源。这些光源具有不同的形状，并在夜景中引入明显的辉光。为了解决这些影响，我们引入了基于深度学习的DeGlow-DeHaze迭代架构，该架构考虑了不同的颜色照明和发光。首先，我们基于卷积神经网络（CNN）的DeGlow模型能够显著去除辉光效应，并且在其之上还包括一个单独的DeHaze网络来去除烟雾效应。对于我们的循环网络训练，模糊图像和相应的透射图是从纽约大学深度数据集合成的，因此恢复了高质量的无雾图像。实验结果表明，我们的混合CNN模型在计算速度和图像质量方面优于其他最先进的方法。我们还展示了我们的模型在一些真实图像上的有效性，并将我们的结果与现有的夜霾启发式模型进行比较。
2019-02-03 cs.CV
Improving Nighttime Driving-Scene Segmentation via Dual Image-adaptive Learnable Filters
Zhejiang University（浙江大学）；Damo Academy, Alibaba Group（阿里巴巴集团达摩院）；The HongKong Polytechnic University（香港理工大学）
驾驶场景图像的语义分割对于自动驾驶至关重要。虽然令人鼓舞的性能已经取得了白天的图像，夜间图像的性能不太令人满意，由于曝光不足和缺乏标记的数据。为了解决这些问题，我们提出了一个附加模块，称为双图像自适应可学习过滤器（DIAL-Filters），以提高夜间驾驶条件下的语义分割，旨在利用驾驶场景图像在不同光照下的内在特征。DIAL滤波器由两部分组成，包括图像自适应处理模块（IAPM）和可学习引导滤波器（LGF）。使用DIAL-Filters，我们为夜间驾驶场景分割设计了无监督和有监督的框架，可以以端到端的方式进行训练。具体而言，IAPM模块由具有一组可微分图像滤波器的小卷积神经网络组成，其中每个图像可以自适应地增强，以便相对于不同的照明进行更好的分割。利用LGF对分割网络的输出进行增强，得到最终的分割结果。DIAL滤镜重量轻，效率高，可以很容易地应用于白天和夜间的图像。我们的实验表明，DAIL-Filters可以显着提高ACDC_Night和NightCity数据集上的监督分割性能，同时在Dark Zurich和Nighttime Driving测试平台上展示了无监督夜间语义分割的最新性能。
2023-03-20 cs.CV
Benchmarking Nighttime Traffic Sign Recognition with Illumination-Adaptive Detection and Semantic Attribute Reasoning
IISER Bhopal（印度比哈尔州国际研究学院）
本文提出INTSD数据集和LENS-Net算法，解决夜间交通标志识别中的低光照和干扰问题，通过大规模数据和先进模型验证了夜间识别的挑战与方法。
2026-07-15 cs.CV cs.CY
Light Pollution Reduction in Nighttime Photography
Shanghai Jiao Tong University（上海交通大学）；McMaster University（麦克马斯特大学）
夜间摄影师经常受到不需要的人造光的光污染的困扰。人工光源被大气中的气溶胶散射后，会淹没星光，降低对比度和动态范围，造成雾霾，从而降低夜间图像的质量。在本文中，我们开发了一种基于物理的光污染减少（LPR）算法，可以大大减轻上述感知质量的下降，并恢复原始状态的夜空。该算法成功的关键是一种反演方法来估计的空间辐射分布和光谱特征的地面人造光。进行了大量的实验，以评估LPR算法的有效性和局限性。
2021-06-18 cs.CV eess.IV
Sun Off, Lights On: Photorealistic Monocular Nighttime Simulation for Robust Semantic Perception
ETH Zürich（苏黎世联邦理工学院）；University of Toronto（多伦多大学）；KU Leuven（鲁汶大学）；INSAIT
本文提出SOLO方法，首次在单张白天图像上通过三维几何、材质与光源估计及语义感知的光源概率实例化和光线追踪，生成真实感夜间图像，并在昼夜自适应的夜间语义分割中验证其有效性。
2024-07-29 cs.CV
Disentangled Contrastive Image Translation for Nighttime Surveillance
本文提出解耦对比学习方法 DiCo，通过颜色不变量物理先验和前景背景解耦表示，在生成对抗网络中实现夜间监控图像到白天的高保真转换，并发布 NightSuR 数据集。
2023-07-11 cs.CV
The Devil is in the Darkness: Diffusion-Based Nighttime Dehazing Anchored in Brightness Perception
Southeast University（东南大学）；UESTC（电子科技大学）；Tencent Company（腾讯公司）；Wuhan University（武汉大学）；Nanyang Technological University（南洋理工大学）
本文提出DiffND框架，通过亮度一致性数据合成流程和亮度感知引导的扩散模型，解决夜间去雾中夜间到白天亮度映射不一致及光照重建不真实的问题，实验证明其在联合去雾与亮度映射上表现优越。
2025-06-03 cs.CV
IG-Diff: Complex Night Scene Restoration with Illumination-Guided Diffusion Model
Tsinghua Univerisity（清华大学）；NanKai University（南开大学）
本文提出IG-Diff模型，通过光照引导模块提升低光照环境下复杂场景的恢复能力，解决天气与低光共存的挑战。
2026-05-14 cs.CV
Nighttime sky/cloud image segmentation
Nanyang Technological University (NTU)（南洋理工大学）；Advanced Digital Sciences Center (ADSC)（高级数字科学中心）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
使用地基天空相机对大气成像是研究各种大气现象的流行方法。但它通常集中在白天。夜间的天空/云图像更暗，噪音更大，因此更难分析。由于云的非刚性结构和大小，天空/云图像的准确分割已经是具有挑战性的，并且夜空的较低和较不稳定的照明增加了难度。尽管如此，夜间云成像在某些应用中是必不可少的，例如连续天气分析和卫星通信。在本文中，我们提出了一种基于超像素的方法来分割夜间天空/云图像。我们还向研究界发布了第一个夜间天空/云图像分割数据库。实验结果表明，我们提出的算法的夜间图像的有效性。
2017-05-30 cs.CV
NTIRE 2026 Low-light Enhancement: Twilight Cowboy Challenge
本文综述NTIRE 2026低光照增强挑战赛，其旨在合并低光照下未对齐智能手机图像，采用585场景数据集与三阶段评估，10支队伍超基线，PSNR最高升6.49dB、SSIM升0.0101，获burst低光照增强新SOTA。
2026-08-11 cs.CV
Dual High-Order Total Variation Model for Underwater Image Restoration
College of Computer Science and Technology, Qingdao University（青岛大学计算机科学与技术学院）；Key Laboratory of Knowledge Automation for Industrial Processes, Ministry of Education, the School of Automation and Electrical Engineering, University of Science and Technology Beijing（北京科技大学自动化与电气工程学院 工业过程知识自动化教育部重点实验室）
提出一种基于扩展水下图像形成模型的双高阶正则化变分框架，结合颜色补偿与平衡，通过ADMM优化，有效恢复水下图像，并在多个数据集上超越现有方法。
2024-07-20 cs.CV
Rendering Nighttime Image Via Cascaded Color and Brightness Compensation
Nanjing University（南京大学）；Nankai University（南开大学）
图像信号处理（ISP）对于相机成像至关重要，并且神经网络（NN）解决方案被广泛部署用于白天场景。缺乏足够的夜间图像数据集和夜间照明特性的见解，提出了一个很大的挑战，高质量的渲染使用现有的NN ISP。为了解决这个问题，我们首先构建了一个高分辨率的夜间RAW-RGB（NR2R）数据集，并由专家进行了白平衡和色调映射注释。同时，为了更好地捕捉夜间照明光源的特性，我们开发了CBUnet，一个两阶段的NN ISP级联颜色和亮度属性的补偿。实验结果表明，该方法与传统ISP流水线相比具有更好的视觉质量，并在NTIRE 2022夜间摄影渲染挑战赛中分别获得了People和Professional Photographer的两个赛道的第二名。代码和相关材料可在我们的网站上找到：www.example.com。
2022-04-21 cs.CV eess.IV
CoRe-UIE: Rethinking Coexisting and Region-wise Degradation for Underwater Image Enhancement
针对水下图像多种区域共存退化问题，提出CoRe-UIE专家协作框架，结合共享专家与路由专家，经实验在多数据集上取得均衡增强效果。
2026-08-11 cs.AI cs.CV
DANNet: A One-Stage Domain Adaptation Network for Unsupervised Nighttime Semantic Segmentation
University of South Carolina（南卡罗来纳大学）；Farsee2 Technology Ltd（远见2科技有限公司）
夜间图像的语义分割在自动驾驶中扮演着与白天图像同样重要的角色，但由于光照条件差和人工注释繁琐，夜间图像的语义分割更具挑战性。在本文中，我们提出了一种新的领域自适应网络（DANNet）的夜间语义分割，而不使用标记的夜间图像数据。它使用带有标记的白天数据集和包含粗略对齐的昼夜图像对的未标记数据集进行对抗训练。具体来说，对于未标记的昼夜图像对，我们使用白天图像上的静态对象类别的像素级预测作为伪监督来分割其对应的夜间图像。我们进一步设计了一种重新加权策略来处理昼夜图像对之间的不对齐和白天图像的错误预测所造成的不准确性，以及提高小物体的预测精度。建议的DANNet是第一个一阶段的适应框架，夜间语义分割，不训练额外的昼夜图像传输模型作为一个单独的预处理阶段。在Dark Zurich和Nighttime Driving数据集上的大量实验表明，该方法在夜间语义分割方面具有最先进的性能。
2021-04-22 cs.CV
LiDAS: Lighting-driven Dynamic Active Sensing for Nighttime Perception
Valeo - Mines Paris PSL（Valeo - 巴黎 Mines 工程学院）；Valeo；Mines Paris PSL（巴黎 Mines 工程学院）
LiDAS是一种基于光照的动态主动感知系统，通过自适应照明控制提升夜间感知性能，实现白天训练模型在夜间场景中的零样本泛化。
2026-09-23 cs.CV cs.RO
O-HAZE: a dehazing benchmark with real hazy and haze-free outdoor images
ETH Zurich（苏黎世联邦理工学院）；Merantix GmbH（梅兰蒂克斯有限公司）；MEO, Universitatea Politehnica Timisoara（蒂米什瓦拉理工大学MEO）；ICTEAM, Universite Catholique de Louvain（鲁汶天主教大学ICTEAM）
除雾或去雾是一个具有挑战性的不适定问题，在过去几年中引起了人们的极大关注。尽管人们的兴趣越来越大，但科学界仍然缺乏一个参考数据集来客观和定量地评估所提出的去雾方法的性能。目前考虑的少数几个数据集，无论是用于评估还是基于学习的去雾技术的训练，都完全依赖于合成的模糊图像。为了解决这个问题，我们介绍了第一个户外场景数据库（名为O-HAZE）组成的对真正的朦胧和相应的无雾图像。在实践中，朦胧的图像已被捕获的真实烟雾的存在下，由专业的烟雾机，和OHAZE包含45个不同的户外场景描绘相同的视觉内容记录在无雾和朦胧的条件下，在相同的照明参数。为了说明它的有用性，O-HAZE是用来比较一组代表性的国家的最先进的去雾技术，使用传统的图像质量指标，如PSNR，SSIM和CIEDE 2000。这揭示了当前技术的局限性，并质疑了它们的一些基本假设。
2018-04-13 cs.CV
