A Comparative Evaluation of Deep Learning Paradigms for Low-Light Image Enhancement: From CNNs to Diffusion Models
Notice bibliographique
Résumé
Low-light image enhancement (LLIE) has attracted extensive research interest, with approaches spanning convolutional neural networks (CNNs), Retinex-based deep architectures, zero-shot learning, generative adversarial networks (GANs), Transformers, and diffusion models. Despite the proliferation of individual methods, a unified cross-paradigm evaluation under consistent experimental conditions remains absent in the existing literature. This paper presents a systematic comparative study of twelve representative LLIE methods drawn from six distinct algorithmic paradigms. All methods are evaluated on three widely adopted benchmark datasets—LOL-v1, LOL-v2-Real, and SID—using both full-reference metrics (PSNR, SSIM, LPIPS) and no-reference metrics (NIQE, BRISQUE), alongside computational efficiency analysis covering parameter count, floating-point operations, and inference latency. The experimental results indicate that Transformer-based approaches achieve a favorable balance between reconstruction fidelity and perceptual quality, while zero-shot methods offer substantial advantages in inference speed at the cost of quantitative performance. Diffusion-based methods produce perceptually compelling outputs but incur considerable computational overhead. Cross-dataset generalization tests further expose performance degradation across all paradigms when trained and tested on mismatched data distributions. These findings provide practical guidance for selecting LLIE methods under different deployment constraints and evaluation priorities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».