MirrorDistill: Illumination-Aware Latent Distillation for Efficient Low-Light Restoration
Aggiunta all'archivio di AIChronos il (numero del 21 settembre 2026 ricostruito)· fonte del · Farida Mohsen, Tala Zaim, Nurul Izni Rusli, Ali Al-Zawqari, Ali Safa, Samir Brahim Belhaouari
MirrorDistill è un framework di distillazione latente consapevole dell'illuminazione progettato per il miglioramento delle immagini a bassa luminosità (LLIE). Il metodo collega i domini della luce bassa e pulita attraverso lo 'specchio' dei feature, utilizzando un encoder condiviso e un decoder teacher basato su media esponenziale durante la fase di addestramento. Durante l'inferenza, solo uno studente leggero è necessario, eliminando qualsiasi costo computazionale lato insegnante. Questo approccio supervisiona il recupero delle caratteristiche intermedie a due livelli: raw encoder features e proiezioni del decoder multi-scala standardizzate.
- Utilizza una strategia di 'feature mirroring' per allineare strato per strato le rappresentazioni tra dominio scuro e pulito.
- Implementa uno schema di pesatura consapevole dell'illuminazione che enfatizza specificamente le regioni sott'esposte.
- Raggiunge lo stato dell'arte sul dataset LOL-v2-Real con la complessità computazionale (GMACs) più bassa tra tutti i metodi testati.
- Il processo di inferenza è efficiente poiché richiede solo l'encoder-decoder student, senza dipendenze dal teacher branch.
- Gli studi di ablazione confermano il contributo individuale dell'encoder mirror, del decoder mirror e della pesatura illuminativa.
Perché conta. Sebbene sia focalizzato sul vision computer, i principi di distillazione latente efficiente e riduzione dei costi computazionali durante l'inferenza sono direttamente applicabili allo sviluppo di agenti AI locali o modelli LLM ottimizzati per dispositivi con risorse limitate.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.