论文: Beyond Illumination: Fine-Grained Detail Preservation in Extreme Dark Image Restoration作者: Tongshun Zhang, Pingping Liu, Zixuan Zhong, Zijian Zhang, Qiuzhan Zhou发表: AAAI 2026论文链接: https://arxiv.org/abs/2508.03336代码链接: https://github.com/bywlzts/RFGM一、引言在极端暗光条件下拍摄的图像往往存在严重的结构信息丢失和噪声污染问题。现有的暗光增强方法虽然能恢复全局亮度，但在保留精细纹理细节和锐利边缘方面表现不佳，这限制了它们在文本检测、边缘检测等细粒度下游任务中的应用。为了解决这些问题，论文提出了一种高效的双阶段暗光图像恢复框架。第一阶段使用残差傅里叶引导模块（RFGM）在频域恢复全局光照，第二阶段则使用互补的Mamba模块进行空间域细节精修。本文聚焦于第二阶段中的Grad Mamba模块——一个梯度引导的状态空间模型，专门针对高梯度区域进行结构化纹理重建。二、核心动机现有方法的局限性Mamba（状态空间模型）在暗光图像恢复中展现出线性复杂度和全局感受野的巨大潜力。然而，现有Mamba方法存在两个核心问题：状态衰减（State Decay）：在因果建模中，序列中远距离token之间的关联性被削弱，导致长距离依赖建模能力下降固定扫描策略：使用固定规则将2D图像展开为1D序列，具有强关联性的token可能在序列中相距甚远，从而削弱token间建模能力关键观察在暗光图像中，边缘和纹理信息集中体现在高梯度区域。现有方法对所有区域一视同仁，没有优先处理这些关键区域。本文思路Grad Mamba的核心思想：既然状态空间模型存在状态衰减问题，那我们就通过梯度引导机制，让模型主动关注高梯度区域（边缘、边界），在这些关键区域投入更多计算资源。具体地，通过预测梯度优先级分数，对token按梯度重要度排序，并利用梯度增强状态矩阵(C+G)(\mathbf{C}+\mathbf{G})(C+G)放大高梯度区域对输出的贡献。三、方法3.1 模块整体设计图1：整体双阶段框架架构图。Grad Mamba位于第二阶段的空间域细节精修分支中，与编码器-解码器协同工作Grad Mamba整体采用编码器-解码器架构，嵌入到框架的第二阶段中。其前向过程如下：输入特征经过三级卷积下采样（3×33\times33×3conv + stride 2）在每级下采样后，使用GradStateSpaceBlock进行梯度引导的Mamba处理经过特征提取和重建后，通过PixelShuffle上采样恢复原始分辨率最后与输入残差连接输出3.2 核心算法：梯度增强状态空间模型图2：Grad Mamba标准Mamba的状态空间方程为：hi=Aˉhi−1+Bˉxi,yi=Chi+Dxih_i = \mathbf{\bar{A}} h_{i-1} + \mathbf{\bar{B}} x_i, \quad y_i = \mathbf{C} h_i + \mathbf{D} x_ihi=Aˉhi−1+Bˉxi,yi=Chi+DxiGrad Mamba的核心创新在于将状态矩阵C\mathbf{C}C替换为梯度增强形式：hi=Aˉhi−1+Bˉxi,yi=(C+G)hi+Dxih_i = \mathbf{\bar{A}} h_{i-1} + \mathbf{\bar{B}} x_i, \quad y_i = (\mathbf{C} + \mathbf{G}) h_i + \mathbf{D} x_ihi=Aˉhi−1+Bˉxi,yi=(C+G)hi+Dxi其中G∈RN×D\mathbf{G} \in \mathbb{R}^{N \times D}G∈RN×D为梯度引导矩阵，通过梯度优先级分数PgradP_{grad}Pgrad计算得到：G=Linear(Pgrad)⋅WG\mathbf{G} = \text{Linear}(P_{grad}) \cdot \mathbf{W}_{\mathbf{G}}G=Linear(Pgrad)⋅WG这里的WG\mathbf{W}_{\mathbf{G}}
