传统暗光增强方法要么把整张图一股脑地提亮，要么用Retinex硬拆光照和反射——前者容易过曝或欠曝，后者则经常引入色偏。FFENet的巧妙之处在于：先把图像按频率拆成高频和低频，再用两个专门设计的子网络分别处理，让增强不再"一刀切"。论文: FFENet: Learning Frequency Features for Low-Light Enhancement作者: Zhenbing Liu, Junming Gong, Haoxiang Lu, Xipeng Pan, Rushi Lan发表单位: 桂林电子科技大学发表: IEEE Transactions on Instrumentation and Measurement, 2025论文链接: https://doi.org/10.1109/TIM.2024.3497140一、引言暗光图像增强（Low-Light Image Enhancement, LLIE）在监控、天文、医学影像、遥感等领域有着广泛需求。夜间拍摄的照片往往存在亮度不足、细节模糊、噪声放大和色彩失真等问题。现有方法大致分为两类：传统方法：直方图均衡化（HE）容易导致局部过曝/欠曝；Retinex方法虽然
TIM 2025 | FFENet：频域特征增强网络，高低频分离让暗光增强更精准！
传统暗光增强方法要么把整张图一股脑地提亮，要么用Retinex硬拆光照和反射——前者容易过曝或欠曝，后者则经常引入色偏。FFENet的巧妙之处在于：先把图像按频率拆成高频和低频，再用两个专门设计的子网络分别处理，让增强不再"一刀切"。论文: FFENet: Learning Frequency Features for Low-Light Enhancement作者: Zhenbing Liu, Junming Gong, Haoxiang Lu, Xipeng Pan, Rushi Lan发表单位: 桂林电子科技大学发表: IEEE Transactions on Instrumentation and Measurement, 2025论文链接: https://doi.org/10.1109/TIM.2024.3497140一、引言暗光图像增强（Low-Light Image Enhancement, LLIE）在监控、天文、医学影像、遥感等领域有着广泛需求。夜间拍摄的照片往往存在亮度不足、细节模糊、噪声放大和色彩失真等问题。现有方法大致分为两类：传统方法：直方图均衡化（HE）容易导致局部过曝/欠曝；Retinex方法虽然
