晚上拍照，光线不好，照片总是黑乎乎一团，还伴随着奇怪的色偏？这在计算机视觉里，是个经典的老大难问题——低光图像增强（Low-Light Image Enhancement, LLIE）。为了让黑夜变白天，研究者们设计了各种精巧的神经网络，但似乎总有些不尽如人意的地方，比如伪影、色彩失真、细节丢失等。

今天，我们来聊一篇很有意思的论文，它不卷网络结构，而是另辟蹊径，从“损失函数”这个源头入手，提出了一个即插即用的新方法 SASW-Loss，能显著提升现有多种LLIE模型的表现。这项工作由福建师范大学提出，为ACM MM 2025 oral论文，给LLIE领域带来了一股清新的风。

简单来说，这篇论文最核心的思路，可以概括为 “利用伪影打败伪影”。

基于这个思想，SASW-Loss被设计出来，它的名字代表了两大核心组件：稀疏伪影相似度损失 (Sparsified Artifacts Similarity, SAS) 和 Walsh-Hadamard系数损失 (Walsh-Hadamard Coefficients, WHC) 。前者负责利用伪影正则化恢复图像细节，后者则专注于在频域校正图像。

论文标题: A Novel Perspective on Low-Light Image Enhancement: Leveraging Artifact Regularization and Walsh-Hadamard Transform

作者: Weilin Wu, Shifan Yang, Qizhao Lin, Xinghong Chen, Kunping Yang, Jing Wang, Guannan Chen

机构: 福建师范大学

论文地址: https://dl.acm.org/doi/pdf/10.1145/3746027.3758142

代码仓库: https://github.com/werringwu/SASW

现有方法的“痛点”

在处理低光图像时，我们不仅希望把亮度提上来，还希望颜色和细节都能被忠实地还原。但理想很丰满，现实很骨感。

很多LLIE方法在增强亮度的同时，常常会引入不必要的“副作用”：

颜色跑偏：增强后的图像可能会出现整体性的色偏，比如天本来是黑的，结果增强后变成了诡异的紫色或蓝色。

细节丢失：为了抑制噪声或重建图像，一些模型可能会过度平滑图像，导致纹理变得模糊。

伪影严重：引入一些不存在的错误信息，即“伪影”，严重影响视觉效果和下游任务。

传统的损失函数，如L1损失或SSIM损失，虽然在一定程度上能指导模型学习，但它们对颜色和结构信息的感知能力有限，很难从根本上解决上述问题。

SASW-Loss：利用伪影打败伪影

作者认为，要解决细节和伪影的问题，必须转变思路。传统的想法是“抑制”或“消除”伪影，但作者创造性地提出：伪影本身就是一种宝贵的信息！

于是，SASW-Loss应运而生。它不改变任何现有LLIE模型的网络结构，只在训练阶段替换掉原有的损失函数，像一个“外挂”一样，即插即用。

整个框架非常清晰，由两个专门的损失项构成： 和 。

：利用伪影相似性，恢复结构细节

这正是“利用伪影打败伪影”思想的直接体现。这里的SAS是“稀疏伪影相似度”（Sparsified Artifacts Similarity）。

它的核心思想是：

首先，将正常光照的参考图像（Ground Truth）进行“稀疏化”处理。可以理解为，我们故意扔掉它的一部分信息（例如，通过WHT变换后，只保留少量频率系数），然后再重建它。这样得到的图像，会布满独特的“伪影”。

然后，将神经网络增强后的图像，也进行同样“稀疏化”处理，得到另一张带有伪影的图像。

 的目标，就是让这两张图像的“伪影”看起来尽可能地相似（例如，通过计算余弦相似度）。

为什么这么做有效？因为伪影的模式，其实间接反映了图像丢失的细节和结构。通过强迫模型去“模仿”真实图像的伪影模式，模型就被引导着学会了如何更精确地恢复那些丢失的结构和纹理，而不是盲目地去噪或平滑。伪影从一个“敌人”，变成了指导细节恢复的“盟友”。

：用沃尔什-哈达玛变换守护频域信息

除了利用伪影，（Walsh-Hadamard Coefficients Loss）则在频域进行约束。你可能对WHT有点陌生，简单来说，它和傅里叶变换类似，是一种将图像从空间域转换到频域的工具，但计算上更高效。转换后，图像信息被分解成不同频率的“分量”，低频分量代表图像的整体轮廓和色块，高频分量则代表细节和边缘。

 的核心思想是：

将增强后的图像和正常光照的参考图像都进行WHT。

直接在WHT频域中，计算两者变换系数的L1差异。

这个是全频域的约束，包含像素约束也包含颜色。

由于噪声通常集中在高频，而整体亮度和对比度与低频和中频更相关，通过直接约束所有频率的系数，这个损失函数能有效地帮助模型恢复正确的亮度和对比度、抑制噪声，并增强整体结构。

SASW-Loss

通过融合  与 ，该损失函数使模型在噪声抑制、结构细节恢复与亮度重建方面获得协同增强。两种损失机制共同优化细节特征与频域分量，从而实现更精准、更自然的图像重建。

最终损失函数如上所示，其完整计算流程见下图。

实验效果：即插即用的显著提升

定量分析

在有成对数据的LOL数据集上，效果提升是全方位的。从下表可以看到，几乎所有用了SASW-Loss训练的模型，在PSNR和SSIM这两个关键指标上都获得了明显增益。

在更具挑战性的无成对数据（unpaired data）场景下，使用无参考指标NIQE（越低越好）进行评估，SASW-Loss同样表现出色。在DarkFace、NPE等五个数据集上，它帮助基线模型取得了更低的NIQE分数，意味着生成图像的自然度更高。

定性对比

数字是抽象的，我们直接看图。相较于常出现过度平滑、噪声放大或色调映射失真等问题的传统基线模型，SASW-Loss能有效引导网络在保留结构细节的同时修复图像缺陷。这一优势在色彩丰富、物体特征多样或包含文字区域等复杂场景中尤为显著——SASW-Loss在保持图像清晰度的同时呈现出更自然的视觉效果。

具体而言，如上图所示，通过本方法处理的调色板色彩、背包纹理及黄牌标识均得到更精准还原，更贴近真实图像。这些增强结果展现出更优的色彩还原度、更准确的亮度修复以及更细腻的纹理恢复能力，尤其在曝光不足或光照不均区域改善明显。

此外，上图表明采用SASW-Loss训练的模型对非配对数据集也表现出更强鲁棒性。值得注意的是，基线模型修复的图像常出现伪影、过曝、异常条纹和色彩失真等问题，而本方法能有效应对这些挑战，显著提升图像的视觉真实感与整体质量。

消融实验

为了证明SASW-Loss的两个组件  和  都不是花架子，作者还做了消融实验。

通过对比可以清晰地看到：

只用 ：图像的结构和细节保留得不错，但颜色可能还是有点怪，没能完全摆脱色偏问题。

只用 ：颜色看起来非常自然、舒服，但图像的锐利度可能稍有欠缺，一些精细的纹理不如  保留得好。

完整 ：集两者之所长，既有  带来的自然色彩，又有  带来的清晰细节。画面整体效果无疑是三者中最好的。

结果表明，无论是单独使用  还是 ，都能带来一定的性能提升，但将两者结合起来（）的效果是最好的。

总结

CV君觉得，这项工作最吸引人的地方在于它的通用性和实用性。在学术界越来越“卷”网络结构设计的今天，回头打磨一下损失函数这个基础环节，反而取得了意想不到的好效果。这种“利用伪影打败伪影”的思路，为LLIE领域甚至其他图像恢复任务提供了一个新的优化方向：在不增加任何推理成本的前提下，通过一个更优秀的损失函数来“解锁”现有模型的全部潜力。

值得一提的是，SASW-Loss“利用伪影打败伪影”的思路，不仅仅只在暗光增强有效果，在其他的图像恢复领域也显然可行。

你觉得这个技术未来会用在哪些场景？一起来聊聊吧！