LL-GaussianMap: Zero-shot Low-Light Image Enhancement via 2D Gaussian Splatting Guided Gain Maps

📄 arXiv: 2601.15766v1 📥 PDF

作者: Yuhan Chen, Ying Fang, Guofa Li, Wenxuan Yu, Yicui Shi, Jingrui Zhang, Kefei Qian, Wenbo Chu, Keqiang Li

分类: cs.CV

发布日期: 2026-01-22

💡 一句话要点

提出LL-GaussianMap，利用2D高斯溅射引导增益图实现零样本弱光图像增强。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 弱光图像增强 2D高斯溅射 增益图 无监督学习 图像重建

📋 核心要点

  1. 现有弱光图像增强方法主要在像素域操作或依赖隐式特征表示，忽略了图像固有的几何结构先验。
  2. LL-GaussianMap利用2D高斯溅射(2DGS)的结构拟合能力，通过2DGS基元引导增益图生成，实现图像增强。
  3. 实验表明，LL-GaussianMap在弱光图像增强任务上取得了优异的性能，同时具有极低的存储占用。

📝 摘要（中文）

本文提出LL-GaussianMap，这是一个将2D高斯溅射(2DGS)融入弱光图像增强的首个无监督框架。与传统方法不同，该方法将增强任务定义为由2DGS基元引导的增益图生成过程。该方法包含两个主要阶段：首先，利用2DGS执行高保真结构重建；然后，通过创新的统一增强模块，利用高斯溅射的栅格化机制渲染数据驱动的增强字典系数。这种设计有效地将2DGS的结构感知能力融入到增益图生成中，从而在增强过程中保留边缘并抑制伪影。此外，通过无监督学习避免了对配对数据的依赖。实验结果表明，LL-GaussianMap以极低的存储占用实现了卓越的增强性能，突出了显式高斯表示在图像增强方面的有效性。

🔬 方法详解

问题定义：现有的弱光图像增强方法主要在像素域或隐式特征空间进行操作，忽略了图像的几何结构信息，导致增强后的图像可能出现边缘模糊、伪影等问题。此外，许多方法依赖于配对数据进行训练，限制了其在实际场景中的应用。

核心思路：本文的核心思路是将2D高斯溅射(2DGS)引入到弱光图像增强任务中。2DGS具有优秀的结构拟合能力和高效的渲染效率，能够显式地表示图像的几何结构信息。通过利用2DGS来引导增益图的生成，可以有效地保留图像的边缘信息，并抑制伪影的产生。

技术框架：LL-GaussianMap框架主要包含两个阶段：1) 结构重建阶段：利用2DGS对弱光图像进行高保真结构重建，得到图像的显式高斯表示。2) 增益图生成阶段：通过一个统一的增强模块，利用高斯溅射的栅格化机制渲染数据驱动的增强字典系数，从而生成增益图。该增益图用于调整原始弱光图像的亮度，实现图像增强。

关键创新：该方法的主要创新在于将2DGS引入到弱光图像增强任务中，并提出了一种基于2DGS引导的增益图生成方法。与传统的基于像素域或隐式特征表示的方法不同，该方法能够显式地利用图像的几何结构信息，从而提高增强效果。此外，该方法采用无监督学习的方式，避免了对配对数据的依赖。

关键设计：统一增强模块的设计是关键。该模块利用高斯溅射的栅格化机制，将2DGS的参数（如位置、方差、颜色等）映射到增益图上。具体的损失函数设计未知，但应该包含保证增强效果和抑制伪影的项。网络结构细节未知。

📊 实验亮点

LL-GaussianMap在弱光图像增强任务上取得了优异的性能，在无需配对数据的情况下，实现了边缘保留和伪影抑制。虽然具体的性能数据和对比基线未知，但该方法以极低的存储占用实现了卓越的增强效果，证明了显式高斯表示在图像增强方面的有效性。

🎯 应用场景

该研究成果可应用于各种弱光环境下的图像增强任务，例如夜间监控、医学影像增强、水下图像增强等。该方法能够提高弱光图像的视觉质量，增强图像的可读性，从而为后续的图像分析和理解提供更好的基础。此外，该方法采用无监督学习的方式，具有更强的泛化能力和实用性。

📄 摘要（原文）

Significant progress has been made in low-light image enhancement with respect to visual quality. However, most existing methods primarily operate in the pixel domain or rely on implicit feature representations. As a result, the intrinsic geometric structural priors of images are often neglected. 2D Gaussian Splatting (2DGS) has emerged as a prominent explicit scene representation technique characterized by superior structural fitting capabilities and high rendering efficiency. Despite these advantages, the utilization of 2DGS in low-level vision tasks remains unexplored. To bridge this gap, LL-GaussianMap is proposed as the first unsupervised framework incorporating 2DGS into low-light image enhancement. Distinct from conventional methodologies, the enhancement task is formulated as a gain map generation process guided by 2DGS primitives. The proposed method comprises two primary stages. First, high-fidelity structural reconstruction is executed utilizing 2DGS. Then, data-driven enhancement dictionary coefficients are rendered via the rasterization mechanism of Gaussian splatting through an innovative unified enhancement module. This design effectively incorporates the structural perception capabilities of 2DGS into gain map generation, thereby preserving edges and suppressing artifacts during enhancement. Additionally, the reliance on paired data is circumvented through unsupervised learning. Experimental results demonstrate that LL-GaussianMap achieves superior enhancement performance with an extremely low storage footprint, highlighting the effectiveness of explicit Gaussian representations for image enhancement.