1. 低光图像增强技术概述
在计算机视觉领域，低光图像增强（Low-Light Image Enhancement, LLIE）是一个长期存在的技术难题。想象一下用手机在昏暗的餐厅拍照，得到的照片往往漆黑一片，噪点明显，细节全无——这就是典型的低光图像问题。这类图像不仅影响观感，更会严重干扰后续的计算机视觉任务，比如人脸识别、自动驾驶的环境感知等。
传统解决方案主要依靠图像处理技术，比如直方图均衡化（通过重新分配像素值来扩展动态范围）或基于Retinex理论的方法（模拟人眼对颜色和亮度的感知机制）。但这些方法存在明显局限：它们像是拿着固定公式去套所有场景，无法智能地应对不同光照条件下的复杂情况。
近年来，深度学习技术为这个领域带来了革命性突破。通过大量数据训练，神经网络能够学习到从低光到正常光照的非线性映射关系。特别是轻量化模型的发展，使得这些算法能够在嵌入式设备上实时运行——这正是我们在RK3588这类边缘计算平台上部署的关键所在。
2. 轻量化模型设计要点
2.1 模型架构选择
在RK3588这样的边缘设备上部署，模型必须满足两个看似矛盾的要求：既要保持高精度，又要极度轻量。经过多次实验验证，我们最终选择了基于U-Net的改进架构，原因有三：
-
编码器-解码器结构：U-Net的对称结构能有效保留空间信息，这对恢复图像细节至关重要。编码器逐步下采样提取特征，解码器则通过上采样和跳跃连接（skip connection）重建高分辨率图像。
-
深度可分离卷积：我们用深度可分离卷积（Depthwise Separable Convolution）替代标准卷积，将计算量减少到原来的1/8~1/9。具体实现时，先对每个输入通道单独做空间卷积（depthwise），再用1x1卷积（pointwise）组合通道信息。
-
注意力机制：在跳跃连接处加入轻量级的CBAM（Convolutional Block Attention Module），让网络能自适应地关注重要区域。实测表明，这能提升约3%的PSNR指标，而计算开销仅增加2%。
注意：模型深度并非越深越好。在RK3588上测试发现，当层数超过18层时，推理速度会明显下降，而精度提升微乎其微。
2.2 量化与压缩策略
要在RK3588的