低光图像增强这件事，长期被一个矛盾卡着：效果好的模型跑不快，跑得快的模型效果差。北京大学等团队提出的 Self-DACE++，把速度做到了 51FPS，同时宣称在未见数据集上超过了有监督的大模型。

这是一个无监督的轻量级低光增强框架。它的两个核心设计是自适应曲线和随机顺序训练融合——前者负责根据图像亮度动态调整增强策略，后者负责在训练中打乱顺序做融合，让模型不依赖成对的标注数据也能学到增强规律。

打开网易新闻 查看精彩图片

速度与效果的两难

低光增强的常规路径是堆参数、堆算力，用有监督方式在成对数据上训练。代价是模型体积大、推理慢，换一个没见过的数据集就容易掉点。Self-DACE++ 走的是另一条路：无监督、轻量化，把实时性作为硬指标。

51FPS 意味着它能在普通硬件上跑出流畅的实时增强，这对需要连续处理视频流的场景是刚需。

暗光人脸检测的连带收益

增强本身不是终点。团队验证的一个下游任务是暗光人脸检测——先增强、再检测，检测效果随之提升。这条链路说明低光增强的价值不止于"让图变亮"，而是给后续视觉任务提供可用的输入。

在未见数据集上超过有监督大模型，是这项工作中最值得关注的一点。它指向一个方向：无监督方法在特定任务上，未必需要靠规模取胜。