稳健高效的微光图像增强：渐进式Retinex架构搜索

近年来，基于学习的微光图像增强方法表现出了优异的性能，但大多数方法采用的启发式设计对开发人员的工程技能要求很高，导致了昂贵的推理成本，对硬件平台不友好。为了解决这个问题，我们建议自动发现一种高效的架构，称为渐进式专注Retinex网络（PAR-Net）。我们通过引入注意力机制来加强结构表征，定义了一个新的注意力Retinex框架。建立了一个包含操作上的微观层面和细胞上的宏观层面的多层次搜索空间，实现精细构建。为了赋予搜索架构硬件感知特性，我们开发了一种延迟约束的渐进搜索策略，该策略通过显式表达专注Retinex框架中定义的不同模型之间的内在关系，成功地提高了模型能力。大量的定量和定性实验结果充分证明了我们提出的方法相对于其他最先进方法的优越性。进行了一系列分析评估，以说明我们提出的算法的有效性。