[CV]《EeveeDark: A Binary Neural Framework for Low-Light Video Enhancement via Event-Guided Sensor-Level Fusion》O Eker, E Erdem, A Erdem [Hacettepe University] (2026)

在极低光照视频增强领域，平衡恢复质量与端侧算力消耗是一个悬而未决的难题。过去的方法受困于高精度模型巨大的功耗负担，本质原因是过度依赖预处理后的RGB图像，导致丢失了传感器原始RAW数据中的细节信息，且未能有效利用事件相机的时域优势。

本文的核心洞见是：将低光增强重新看作二值化网络驱动的跨模态特征对齐。由此，二值化编码器并行提取RAW空间细节与事件流时域特征，配合事件引导门控动态强化运动区域并抑制背景噪声，这一关键操作使极低功耗下的高频细节恢复得以实现。

这项工作真正留下的遗产是证明了1比特量化网络在复杂多模态底层视觉任务中的可行性。它为资源受限的机器人打开了全天候感知的新门，但尚未跨过的门槛是在极低运动或静止场景下，当事件流信号过于稀疏时，模型对纯RAW噪声的鲁棒性仍有待提升。

arxiv.org/abs/2607.06217 机器学习 人工智能 论文 AI创造营