UniBlendNet: Unified Global, Multi-Scale, and Region-Adaptive Modeling for Ambient Lighting Normalization

📄 arXiv: 2604.13383v1 📥 PDF

作者: Jiatao Dai, Wei Dong, Han Zhou, Chengzhou Tang, Jun Chen

分类: cs.CV

发布日期: 2026-04-15

备注: Accepted to CVPR 2026 NTIRE Workshop on New Trends in Image Restoration and Enhancement. 8 pages, 4 figures

💡 一句话要点

提出UniBlendNet，用于统一建模全局、多尺度和区域自适应的环境光照归一化

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 环境光照归一化 图像恢复 深度学习 多尺度特征 区域自适应

📋 核心要点

  1. 现有环境光照归一化方法在全局上下文建模和空间自适应性方面存在不足，导致复杂光照条件下恢复效果不佳。
  2. UniBlendNet通过统一建模全局光照、多尺度结构和区域自适应细化，从而提升光照归一化效果。
  3. 实验表明，UniBlendNet在NTIRE基准上优于现有方法IFBlend，实现了更高的恢复质量和更自然稳定的结果。

📝 摘要（中文）

环境光照归一化(ALN)旨在恢复受复杂、空间变化光照条件影响的图像。现有方法，如IFBlend，利用频域先验来建模光照变化，但仍存在全局上下文建模有限和空间自适应性不足的问题，导致在具有挑战性的区域中恢复效果欠佳。本文提出了UniBlendNet，一个用于环境光照归一化的统一框架，它联合建模全局光照、多尺度结构和区域自适应细化。具体来说，我们通过集成一个基于UniConvNet的模块来捕获长程依赖，从而增强全局光照理解。为了更好地处理复杂的光照变化，我们引入了一个尺度感知聚合模块(SAAM)，该模块执行基于金字塔的多尺度特征聚合，并进行动态重加权。此外，我们设计了一种掩码引导的残差细化机制，以实现区域自适应校正，使模型能够选择性地增强退化区域，同时保留良好曝光的区域。这种设计有效地提高了复杂光照条件下的光照一致性和结构保真度。在NTIRE环境光照归一化基准上的大量实验表明，UniBlendNet始终优于基线IFBlend，并实现了更高的恢复质量，同时产生了视觉上更自然和稳定的恢复结果。

🔬 方法详解

问题定义：环境光照归一化旨在消除图像中由于复杂且空间变化的光照条件引起的视觉伪影，恢复图像的真实色彩和细节。现有方法，如IFBlend，虽然利用频域先验进行建模，但在全局上下文理解和空间自适应性方面存在局限性，难以处理复杂光照下的图像恢复问题。

核心思路：UniBlendNet的核心思路是联合建模全局光照、多尺度结构和区域自适应细化。通过全局建模增强对整体光照环境的理解，利用多尺度结构捕捉不同尺度的光照变化，并采用区域自适应细化来针对性地校正光照不均匀的区域。这种统一建模的方式旨在克服现有方法在全局性和局部性上的不足。

技术框架：UniBlendNet的整体框架包含三个主要模块：UniConvNet-based全局光照建模模块、Scale-Aware Aggregation Module (SAAM)多尺度特征聚合模块和Mask-guided Residual Refinement区域自适应细化模块。首先，UniConvNet模块提取全局特征；然后，SAAM模块进行多尺度特征聚合；最后，掩码引导的残差细化模块根据光照退化程度进行局部调整。

关键创新：UniBlendNet的关键创新在于其统一建模框架，它将全局光照理解、多尺度特征聚合和区域自适应细化整合到一个网络中。与现有方法相比，UniBlendNet能够更全面地捕捉光照变化，并根据图像的不同区域进行针对性的校正，从而提高恢复质量。

关键设计：UniConvNet模块采用UniConv算子来捕获长程依赖关系。SAAM模块使用金字塔结构提取多尺度特征，并使用动态重加权机制来调整不同尺度特征的贡献。掩码引导的残差细化模块通过预测一个掩码来指示需要进行细化的区域，并使用残差学习来调整这些区域的光照。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

UniBlendNet在NTIRE环境光照归一化基准测试中取得了显著的性能提升，优于基线方法IFBlend。实验结果表明，UniBlendNet能够产生视觉上更自然和稳定的恢复结果，有效地提高了光照一致性和结构保真度。具体性能数据（例如PSNR、SSIM等）在论文中进行了详细展示。

🎯 应用场景

UniBlendNet在图像增强、计算机视觉和摄影等领域具有广泛的应用前景。它可以用于改善监控视频的质量，提高自动驾驶系统在复杂光照条件下的感知能力，以及增强照片的视觉效果。该研究的成果有助于提高图像处理算法的鲁棒性和准确性，为相关领域的发展提供技术支持。

📄 摘要（原文）

Ambient Lighting Normalization (ALN) aims to restore images degraded by complex, spatially varying illumination conditions. Existing methods, such as IFBlend, leverage frequency-domain priors to model illumination variations, but still suffer from limited global context modeling and insufficient spatial adaptivity, leading to suboptimal restoration in challenging regions. In this paper, we propose UniBlendNet, a unified framework for ambient lighting normalization that jointly models global illumination, multi-scale structures, and region-adaptive refinement. Specifically, we enhance global illumination understanding by integrating a UniConvNet-based module to capture long-range dependencies. To better handle complex lighting variations, we introduce a Scale-Aware Aggregation Module (SAAM) that performs pyramid-based multi-scale feature aggregation with dynamic reweighting. Furthermore, we design a mask-guided residual refinement mechanism to enable region-adaptive correction, allowing the model to selectively enhance degraded regions while preserving well-exposed areas. This design effectively improves illumination consistency and structural fidelity under complex lighting conditions. Extensive experiments on the NTIRE Ambient Lighting Normalization benchmark demonstrate that UniBlendNet consistently outperforms the baseline IFBlend and achieves improved restoration quality, while producing visually more natural and stable restoration results.