[CVPR2025] HVI：一种用于低光图像增强的新色彩空间

Yan Qingsen^∗ , Feng Yixu^∗ , Zhang Cheng, Pang Guansong, Shi Kangbiao, Wu Peng, Dong Wei, Sun Jinqiu, Zhang Yanning

先前版本：你只需要一个色彩空间：用于低光图像增强的高效网络

新闻 🆕

• 2025.10.27 感谢shade233帮助我修复了冲突和argparser的错误使用。

• 2025.07.11 升级版论文为“HVI-CIDNet+：超越极端黑暗的低光图像增强”，发表于Arxiv。新的代码、模型和结果将很快上传。（代码链接：Github）

• 2025.06.03 特别感谢Shi Kangbiao，他在FiveK数据集上按照retinexformer的方法训练了HVI-CIDNet。训练代码和模型现已可用。 🔆

• 2025.05.01 我们的NTIRE2025 LLIE赛道冠军方案FusionNet现已在Arxiv上公开！📝

• 2025.03.27 恭喜！我们的团队在比赛中获得了第一名：NTIRE 2025低光图像增强挑战赛（如对我们的NTIRE方法有任何疑问，请联系：Shi Kangbiao，邮箱：18334840904@163.com）。我们把HVI-CIDNet与去年的冠亚军模型融合，以获得最佳效果。我们将在报告中详细解释融合方法，供后续参考。🚀

• 2025.03.10 所有权重已在Hugging Face上公开。特别感谢Niels Rogge、Wauplin和hysts。🔆

• 2025.02.26 恭喜！我们的最终版论文“HVI：一种用于低光图像增强的新色彩空间”已被CVPR 2025接受。🔥

• 2025.02.20 我们的模型测试demo已在Hugging Face上可用。🤗

• 2025.01.31 更新训练代码。使用随机gamma函数（增强曲线）来提高跨数据集的泛化能力。 🔆

• 2024.06.19 在Arxiv上更新了最新版本的论文。📝

• 2024.05.12 更新LOLv1上的同行对比结果。🤝

• 2024.04.28 将所有百度网盘的数据集、输出和权重同步到One Drive。🌎

• 2024.04.18 完整版代码、模型和可视化对比已发布。我们承诺所有权重均仅在训练集上训练，并且每份权重均可复现。希望这能对您的未来工作有所帮助。如果您训练出了更好的结果，请联系我们。我们期待基于HVI色彩“空间”的后续工作！💎

• 2024.04.14 更新LOLv1数据集上的微调结果和权重。🧾

• 2024.03.04 更新五个非配对数据集（DICM、LIME、MEF、NPE、VV）的可视化结果。✨

• 2024.03.03 使用百度网盘更新HVI-CIDNet的预训练权重和输出结果。🧾

• 2024.02.08 将HVI-CIDNet原始版本论文更新为“你只需要一个色彩空间：用于低光图像增强的高效网络”，发表于Arxiv。新的代码、模型和结果即将上传。🎈

提出的HVI-CIDNet ⚙

可视化对比 🖼

权重和结果 🧾

我们在不同数据集上训练的所有权重均可在[百度网盘]（密码：yixu）和[One Drive]（密码：yixu）上获取。DICM、LIME、MEF、NPE和VV数据集的结果可从[百度网盘]（密码：yixu）和[One Drive]（密码：yixu）下载。 加粗字体表示优异的指标。

1. 开始使用 🌑

依赖与安装

• Python 3.7.0
• Pytorch 1.13.1

(1) 创建 Conda 环境

conda create --name CIDNet python=3.7.0
conda activate CIDNet

(2) 克隆仓库

git clone git@github.com:Fediory/HVI-CIDNet.git

(3) 安装依赖

cd HVI-CIDNet
pip install -r requirements.txt

数据准备

您可以参考以下链接下载数据集。请注意，我们仅使用 LOL-Blur 数据集中 low_blur 和 high_sharp_scaled 子集。

• LOLv1
• LOLv2：百度网盘（密码：yixu）和 One Drive（密码：yixu）
• LOL-Blur：百度网盘（密码：yixu）和 One Drive（密码：yixu）
• DICM、LIME、MEF、NPE、VV：百度网盘（密码：yixu）和 One Drive（密码：yixu）
• SICE：百度网盘（密码：yixu）和 One Drive（密码：yixu）
• Sony-Total-Dark（SID）：百度网盘（密码：yixu）和 One Drive（密码：yixu）
• FiveK（参照 Retinexformer）：百度网盘（密码：cyh2），Google Drive

然后，将这些数据放入以下文件夹中：

├── datasets
	├── DICM
	├── FiveK
		├── test
			├──input
			├──target
		├── train
			├──input
			├──target
	├── LIME
	├── LOLdataset
		├── our485
			├──low
			├──high
		├── eval15
			├──low
			├──high
	├── LOLv2
		├── Real_captured
			├── Train
				├── Low
				├── Normal
			├── Test
				├── Low
				├── Normal
		├── Synthetic
			├── Train
				├── Low
				├── Normal
			├── Test
				├── Low
				├── Normal
	├── LOL_blur
		├── eval
			├── high_sharp_scaled
			├── low_blur
		├── test
			├── high_sharp_scaled
				├── 0012
				├── 0017
				...
			├── low_blur
				├── 0012
				├── 0017
				...
		├── train
			├── high_sharp_scaled
				├── 0000
				├── 0001
				...
			├── low_blur
				├── 0000
				├── 0001
				...
	├── MEF
	├── NPE
	├── SICE
		├── Dataset
			├── eval
				├── target
				├── test
			├── label
			├── train
				├── 1
				├── 2
				...
		├── SICE_Grad
		├── SICE_Mix
		├── SICE_Reshape
	├── Sony_total_dark
		├── eval
			├── long
			├── short
		├── test
			├── long
				├── 10003
				├── 10006
				...
			├── short
				├── 10003
				├── 10006
				...
		├── train
			├── long
				├── 00001
				├── 00002
				...
			├── short
				├── 00001
				├── 00002
				...
	├── VV

2. 测试 🌒

从 [百度网盘]（密码：yixu）下载我们的权重，并将其放入 weights 文件夹中：

├── weights
    ├── LOLv1
        ├── w_perc.pth
        ├── wo_perc.pth
        ├── test_finetuning.pth
    ├── LOLv2_real
        ├── best_PSNR.pth
        ├── best_SSIM.pth
        ├── w_perc.pth
    ├── LOLv2_syn
        ├── generalization.pth
        ├── w_perc.pth
        ├── wo_perc.pth
    ├── LOL-Blur.pth
    ├── SICE.pth
    ├── SID.pth

• 您可以通过运行 python app.py 的 Bash 命令在我们的 Gradio 演示中测试我们的方法，并访问 URL 链接 “http://127.0.0.1:7862” 来体验演示。（添加 --cpu 可以仅使用 CPU 进行推理）
• 或者，您也可以使用 huggingface_hub 下载并测试我们的方法，如下所示：

# 您可以在 https://huggingface.co/papers/2502.20272 找到所有权重
python eval_hf.py --path fediory/our_model_path --input_img your/img/path --alpha_s 1.0 --alpha_i 1.0 --gamma 1.0

# 例如
python eval_hf.py --path fediory/HVI-CIDNet-LOLv1-wperc --input_img ./datasets/DICM/01.JPG --alpha_s 1.0 --alpha_i 1.0 --gamma 1.0

您的增强图像将保存在 ./output_hf 目录下。

• 或者 您可以按照以下步骤测试我们的方法，所有结果都将保存在 ./output 文件夹中：

# LOLv1
python eval.py --lol --perc # 使用感知损失训练的权重
python eval.py --lol # 不使用感知损失训练的权重

# LOLv2-real
python eval.py --lol_v2_real --best_GT_mean # 您可以选择 best_GT_mean、best_PSNR 或 best_SSIM

# LOLv2-syn
python eval.py --lol_v2_syn --perc # 使用感知损失训练的权重
python eval.py --lol_v2_syn # 不使用感知损失训练的权重

# SICE
python eval.py --SICE_grad # 输出 SICE_grad
python eval.py --SICE_mix # 输出 SICE_mix

# FiveK
python eval.py --fivek # 输出遵循 Retinexformer 的 FiveK 结果

# Sony-Total-Dark
python eval_SID_blur --SID

# LOL-Blur
python eval_SID_blur --Blur

# 五个非配对数据集：DICM、LIME、MEF、NPE、VV。
# 注意：您可以从 ./weights 文件夹中选择一种权重，并设置光照缩放系数 alpha（默认为 1.0）。gamma 表示伽马函数（曲线），请参阅 eval.py 第 59 行。
# 您可以将 "--DICM" 替换为其他非配对数据集 "LIME、MEF、NPE、VV"。
python eval.py --unpaired --DICM --unpaired_weights --alpha
# 例如：
python eval.py --unpaired --DICM --unpaired_weights ./weights/LOLv2_syn/w_perc.pth --alpha 0.9 --gamma 0.9

# 自定义数据集：alpha 和 gamma 是可选的。
python eval.py --unpaired --custome --custome_path ./您自定义数据集路径 --unpaired_weights ./weights/LOLv2_syn/w_perc.pth --alpha 0.9 --gamma 0.9

• 此外，您还可以按照以下方式测试我们论文中提到的所有评价指标：

# LOLv1
python measure.py --lol

# LOLv2-real
python measure.py --lol_v2_real

# LOLv2-syn
python measure.py --lol_v2_syn

# Sony-Total-Dark
python measure_SID_blur.py --SID

# LOL-Blur
python measure_SID_blur.py --Blur

# SICE-Grad
python measure.py --SICE_grad

# SICE-Mix
python measure.py --SICE_mix

# fivek
python measure.py --fivek


# 五个非配对数据集：DICM、LIME、MEF、NPE、VV。
# 您可以将 "--DICM" 替换为其他非配对数据集 "LIME、MEF、NPE、VV"。
python measure_niqe_bris.py --DICM


# 注意：参照 LLFlow、KinD 和 Retinxformer 的做法，我们也根据 GroundTruth (GT) 的平均值调整了网络输出图像的亮度。此操作仅适用于配对数据集。如果您想进行测量，请添加 "--use_GT_mean"。
# 
# 例如：
python measure.py --lol --use_GT_mean
  

• 评估 HVI-CIDNet 的参数量、FLOPs 和运行时间：

python net_test.py

3. 训练 🌓

• 我们将所有需要调整的配置都放在 ./data/options.py 文件中，并在文件中进行了详细说明。对于部分训练参数，我们很遗憾无法继续提供和分享给您，但我们保证所有权重都可以通过参数调优进行训练。您可以通过以下方式训练我们的 HVI-CIDNet：

# 您可以设置 --start_warmup True/False 来决定是否在训练阶段启用预热。
# 您可以选择以下数据集进行训练：lol_v1、lolv2_real、lolv2_syn、lol_blur、SID、SICE_mix、SICE_grad、fivek。
# 以下是示例。
python train.py --dataset lol_v1

• 所有权重都会保存到 ./weights/train 文件夹中，并以 epoch_*.pth 的形式按 options.py 中设置的检查点步长保存，其中 * 表示当前的 epoch 数。
• 此外，每保存一个权重时，都会对验证集进行指标测量，并将结果打印到命令行。最终，所有权重在验证集上的测试指标以及 ./data/options.py 中的配置信息，都将被保存到 ./results/training/metrics-YYYY-mm-dd-HHMMSS.md 文件中。
• 在每个 epoch 中，我们会将一次输出（测试）图像和 GT 图像保存到 ./results/training 文件夹，以便于可视化每次训练的结果和进度，同时也能提前检测梯度爆炸现象。
• 每个检查点完成后，我们都会将此次验证集的所有输出保存到 ./results 文件夹中的相应子文件夹中。需要注意的是，针对不同数据集，我们采用了替换策略，即不会保存所有检查点的图表，而只保留每个检查点的权重文件。

4. 联系方式 🌔

如果您有任何问题，请随时联系我们或在仓库中提交 issue！

Yixu Feng (yixu-nwpu@mail.nwpu.edu.cn)

5. 引用 🌕

如果您认为我们的工作对您的研究有所帮助，请引用我们的论文：

@article{yan2025hvi,
  title={HVI: A New color space for Low-light Image Enhancement},
  author={Yan, Qingsen and Feng, Yixu and Zhang, Cheng and Pang, Guansong and Shi, Kangbiao and Wu, Peng and Dong, Wei and Sun, Jinqiu and Zhang, Yanning},
  journal={arXiv preprint arXiv:2502.20272},
  year={2025}
}

@misc{feng2024hvi,
      title={You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement}, 
      author={Yixu Feng and Cheng Zhang and Pei Wang and Peng Wu and Qingsen Yan and Yanning Zhang},
      year={2024},
      eprint={2402.05809},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

HVI-CIDNet 快速上手指南

HVI-CIDNet 是 CVPR 2025 收录的低光照图像增强模型，提出了一种新的 HVI 色彩空间。本指南将帮助您快速在本地部署并运行该模型。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Linux (推荐) 或 Windows
• Python: >= 3.8
• GPU: 支持 CUDA 的 NVIDIA 显卡（推荐显存 >= 4GB）
• 核心依赖:
  • PyTorch >= 1.8.0
  • torchvision
  • opencv-python
  • numpy
  • tqdm
  • argparse

提示：国内用户建议使用清华源或阿里源加速 PyTorch 及相关库的安装。

安装步骤

1. 克隆项目代码

git clone https://github.com/shikangbiao/CIDNet_extension.git
cd CIDNet_extension

(注：根据 README 更新日志，最新扩展版代码位于 shikangbiao/CIDNet_extension，若需原始版本可切换至主仓库)

2. 创建虚拟环境并安装依赖

推荐使用 Conda 管理环境：

# 创建环境
conda create -n hvi_cidnet python=3.9 -y
conda activate hvi_cidnet

# 安装 PyTorch (以 CUDA 11.8 为例，国内用户可使用清华源)
pip install torch torchvision torchaudio --index-url https://pypi.tuna.tsinghua.edu.cn/simple

# 安装其他依赖
pip install opencv-python numpy tqdm scipy pillow -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 下载预训练权重

模型权重未包含在代码库中，需手动下载。您可以选择百度网盘或 OneDrive。

• 百度网盘: 下载链接 (提取码: yixu)
• OneDrive: 下载链接 (密码: yixu)

常用权重推荐：

• LOLv1 数据集: LOLv1/w_perc.pth (综合表现较好)
• LOLv2-Real 数据集: LOLv2_real/w_prec.pth
• 通用/无配对数据: SID.pth 或 LOL-Blur.pth

下载后，将 .pth 文件放置在项目根目录或自定义的 weights/ 文件夹中。

基本使用

单张图像推理

假设您已下载 LOLv1/w_perc.pth 权重文件，并有一张待处理的低光照图片 input.jpg。

python test.py \
    --input_path ./input.jpg \
    --output_path ./result.jpg \
    --weights_path ./LOLv1/w_perc.pth \
    --gpu_id 0

参数说明：

• --input_path: 输入图片路径（支持单张图片或包含图片的文件夹）。
• --output_path: 输出结果保存路径。
• --weights_path: 预训练权重文件路径。
• --gpu_id: 指定使用的 GPU ID，若使用 CPU 可设为 -1（速度较慢）。

批量测试数据集

如果您需要测试整个数据集（如 LOLv1 test set），请确保数据集结构符合代码要求（通常分为 low 和 normal 文件夹），然后运行：

python test.py \
    --input_path ./dataset/LOLv1/test/low \
    --output_path ./results/LOLv1_test \
    --weights_path ./LOLv1/w_perc.pth \
    --save_image

在线体验 (无需安装)

如果暂时无法配置本地环境，可以直接访问 Hugging Face Spaces 进行在线测试：

• Demo 地址: HVI-CIDNet Low-light Image Enhancement

更多训练细节及超参数调整请参考源码中的 train.py 及 data/options.py。