报告主题：Noise Self-Regression (NoiSER): Noise is All You Need for Low-Light Image Enhancement

报告人：张召

报告时间：2026年7月8日（周三）下午15：00-16：30

报告地址：计算机大楼A411

报告摘要：

基于深度学习的暗光图像增强（Low-Light Image Enhancement，LLIE）旨在利用深度神经网络提升图像亮度，同时有效保持图像原有内容。从训练数据的角度划分，现有暗光图像增强方法依托三类数据驱动方案：配对数据、非配对数据与无参考数据驱动方法。各类数据驱动方案均具备独特优势，例如无参考数据驱动方法对训练数据门槛极低，能够适配绝大多数实际应用场景的需求。本文提出仅采用纯高斯噪声即可完成暗光图像增强任务，进一步降低该任务对训练数据的依赖程度，为实际工程应用提供全新技术方案。具体而言，本文设计噪声自回归网络（Noise SElf-Regression, NoiSER）：该网络无需任何暗光图像相关训练数据，仅以像素服从正态分布N(0,σ?)的随机噪声图作为每一组训练样本的输入与输出，训练嵌入实例归一化层的卷积神经网络；训练完成后，将暗光图像输入该网络，即可预测得到正常光照图像。从技术原理层面，该网络具备有效增强效果的内在逻辑可归纳为三点：1）自回归学习机制能够重建输入图像相邻像素间的对比度信息；2）实例归一化层可自适应修正图像整体亮度与幅值分布；3）当图像尺寸足够大时，像素服从N(0,σ?)高斯分布的约束条件，可使输出图像天然满足经典灰度世界假设。与当前依托不同标注数据的暗光图像增强算法相比，本文所提 NoiSER 模型增强效果具备极强竞争力，同时模型参数量更小、训练与推理开销大幅降低。此外，实验结果证实，NoiSER 在高光抑制任务、联合其他图像复原任务处理场景中均具备优异应用潜力。

报告人简介：

张召，合肥工业大学教授、博士生导师，CCF杰出会员/IEEE高级会员。2013年博士毕业于香港城市大学，先后在新加坡国立大学、中科院自动化所NLPR进行访问研究。主要从事多媒体计算与计算机视觉领域研究，围绕 "底层视觉计算、可控内容生成与伪造检测、垂类大模型与智能体、多模态感知计算" 等主题方向，已发表IEEE/ACM汇刊、IJCV期刊或CCF-A类会议论文96篇，Google Scholar总引用10000+余次，H-Index为55。入选全球前2%顶尖科学家“终身科学影响力”、“2022-2024年度科学影响力”排行榜；获中国自动化学会CAA自然科学一等奖、ACM中国新星奖Honorable Mention等。担任CCF-A类期刊 IEEE TIP的高级领域编委SAE、现/曾担任IEEE TIP、IEEE TCSVT、Pattern Recognition和Neural Networks等权威SCI期刊的编委AE；多次担任ACM MM、AAAI、IJCAI 等顶级学术会议的高级程序委员SPC或领域主席AC。