论文标题：MobileIE: An Extremely Lightweight and Effective ConvNet for Real-Time Image Enhancement on Mobile Devices论文链接：https://arxiv.org/pdf/2507.01838代码链接：https://github.com/AVC2-UESTC/MobileIE 移动端实时图像增强面临模型参数量大、计算成本高的挑战，现有方法难以平衡速度与性能。本文提出 MobileIE，在低光增强、水下图像增强和图像信号处理任务中实现了 1100 FPS 的实时推理速度，同时保持优异的增强质量。[一] 多分支重参数化卷积与增量权重优化：MobileIE 的核心是多分支重参数化卷积（MBRConv），通过融合不同 kernel 尺寸的卷积分支（3×3、3×1、1×3、1×1）捕捉多尺度特征，并在推理阶段重参数化为单个标准卷积，减少计算开销。为解决紧凑网络特征学习能力有限的问题，引入增量权重优化（IWO）策略，将先前训练的冻结权重与可学习权重融合，增强跨层特征关系捕捉能力，且不增加推理时的参数与计算成本。[二] 特征自变换与分层双路径注意力：特征自变换（FST）模块通过二次特征交互（元素自乘结合可学习缩放与偏置）增强非线性特征表达，捕捉高阶特征关系，提升模型对细节的敏感度，同时保持计算高效。分层双路径注意力（HDPA）机制则通过全局路径与局部路径（最大池化 + MBRConv1×1 生成局部注意力）的加权融合，平衡全局上下文与局部细节。[三] 局部方差加权损失与整体效率优化：针对紧凑模型对极端像素敏感的问题，局部方差加权（LVW）损失通过计算像素误差的局部均值与方差，动态调整损失权重，减少异常值对优化的干扰，平衡鲁棒性与细节保留。此外，MobileIE 通过训练与推理阶段的架构解耦，结合轻量算子与无额外成本的优化策略（如 IWO），实现了仅 4K 参数和 0.924 GFLOPs 的极致轻量化。 MobileIE 通过创新的网络结构与优化策略，在仅 4K 参数的情况下，实现了移动端实时图像增强，兼顾速度与性能，在多种图像增强任务中表现优异。#图像增强 #深度学习 #计算机视觉 #研究生 #信息差 #深度学习与神经网络 #缝合模块 #即插即用注意力模块 #论文 #ICCV