HVI-CIDNet-LOLv1-fp32深度解析：从模型架构到1.9M参数优化

HVI-CIDNet-LOLv1-fp32深度解析从模型架构到1.9M参数优化【免费下载链接】HVI-CIDNet-LOLv1-fp32项目地址: https://ai.gitcode.com/hf_mirrors/mlx-community/HVI-CIDNet-LOLv1-fp32HVI-CIDNet-LOLv1-fp32是一款基于Apple MLX框架的低光图像增强模型专为Apple Silicon设备优化能够将低光或曝光不足的图像转换为正常曝光的图像同时保持原始分辨率。该模型在NTIRE 2025低光增强挑战赛中获得第一名拥有1,975,569个参数7.9 MB特别擅长处理严重曝光不足的输入图像14.50 dB at 0.15x曝光并在LOL数据集上取得最佳发布成绩。核心功能低光图像增强的革命性解决方案HVI-CIDNet-LOLv1-fp32采用创新的HVI色彩空间这是一种专为低光图像增强设计的新型色彩空间。该模型能够接收曝光不足的图像作为输入并输出相同分辨率的重新曝光图像有效提升图像的亮度和细节同时保持色彩的自然性。模型优势1.9M参数实现高效性能该模型以其轻量化的设计著称仅1,975,569个参数7.9 MB却能在低光图像增强任务中表现出色。这种高效的参数优化使得模型在Apple Silicon设备上能够快速运行同时保持高质量的增强效果。实际应用如何使用HVI-CIDNet-LOLv1-fp32Swift集成步骤要在Swift项目中使用HVI-CIDNet-LOLv1-fp32可以通过mlx-cidnet-swiftSwift包实现。以下是基本的使用代码import CIDNetMLXCore let model CIDNet() try model.loadWeights(from: weightsURL) // 从本仓库加载model.safetensors let brightened model(imageNHWC) // 输入NHWC格式的RGB图像[0,1]此外还可以将其作为MLXEngine的imageRelightModelPackageMLXCIDNet.CIDNetRelightPackage使用该包会通过Hub解析本仓库并自动应用曝光门控。重要注意事项输入曝光的门控处理⚠️ 该模型需要根据输入曝光进行门控处理不能无条件应用。每个已发布的检查点都会将输出推向目标平均亮度无论输入如何。因此对于已经正确曝光的图像模型会降低其质量。检查点应用于已正确曝光的图像Generalization23.37 dBLOLv1-wperc20.99 dBSICE16.10 dBSICE的输出均值在12×输入范围内保持在0.35–0.40之间——它是一个自动曝光归一化器而不是阴影提升器。建议估计输入亮度并在阈值以上绕过模型为部分应用提供强度混合。mlx-cidnet-swift同时支持这两种功能。技术细节模型转换与参数优化模型转换过程HVI-CIDNet-LOLv1-fp32采用MLXNHWC布局191个张量 → 81个卷积 61个深度可分离转置(O,I,kH,kW) → (O,kH,kW,I)49个直通。上游已经发布safetensors因此这是重新布局而不是格式更改。关键参数trans.density_ktrans.density_k是一个学习到的参数每个检查点都不同本模型1.1255初始值为0.2。它包含在权重中——不要硬编码。性能验证与PyTorch的一致性在CPU流上针对PyTorch oracle进行门控fp32基于相对误差判断关键契约— 191个张量 / 1,975,569个参数 / 0缺失 / 0未使用严格加载HVI颜色变换—位精确最差6.6e-07包括退化颜色和决定掩蔽优先级的黄色/青色通道关系原语— PReLU精确为0.00e00对齐角落重采样器约5e-07完整模型— 在64² / 128² / 256²以及严重曝光不足的图块上余弦相似度1.00000000安装指南开始使用HVI-CIDNet-LOLv1-fp32要开始使用HVI-CIDNet-LOLv1-fp32首先需要克隆仓库git clone https://gitcode.com/hf_mirrors/mlx-community/HVI-CIDNet-LOLv1-fp32然后按照mlx-cidnet-swiftSwift包的文档进行集成即可在您的项目中使用该模型进行低光图像增强。许可证信息权重MIT许可证Fediory/HVI-CIDNet由作者首次发布。移植代码MIT许可证。【免费下载链接】HVI-CIDNet-LOLv1-fp32项目地址: https://ai.gitcode.com/hf_mirrors/mlx-community/HVI-CIDNet-LOLv1-fp32创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考