【免费下载链接】HVI-CIDNet-Generalization-fp32项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/HVI-CIDNet-Generalization-fp32点击查看免费下载HVI-CIDNet-Generalization-fp32 是一个面向 Apple Silicon 的低光照图像增强小模型仅 7.9 MB1,975,569 个参数由 CVPR 2025 论文、NTIRE 2025 低光照增强挑战赛冠军模型 HVI-CIDNet 转换为 Apple MLX 格式输入欠曝光照片、输出同分辨率的重新曝光照片。本文以问答形式解答新手最常遇到的三个问题为什么它这么小、名字里的 fp32 是什么意思、Generalization 检查点又该怎么选。一、项目是什么30 秒了解 HVI-CIDNet-Generalization-fp32一句话概括欠曝光图像进 → 重新曝光图像出分辨率不变推理跑在 Apple MLX 上。关键属性说明参数量1,975,569约 198 万权重文件约 7.9 MB推理框架Apple MLXApple Silicon任务低光照增强 / 曝光校正image-to-image检查点定位为跨数据集泛化训练官方推荐默认许可证MIT原始论文为 Yan et al.,HVI: A New Color Space for Low-light Image EnhancementCVPR 2025。本仓库只包含两个核心文件README.md模型说明、使用方法与精度对比数据model.safetensorsMLX 格式NHWC 布局的模型权重二、Q1模型到底有多小什么设备能跑✅7.9 MB 权重、不到 200 万参数属于轻量级图像模型没有显存和内存压力适合直接在 iPhone、iPad、Mac 端侧部署无需上传云端。它的使用入口是 Swift 包mlx-cidnet-swift核心模块CIDNetMLXCore基本流程见 README.md加载model.safetensors权重输入 NHWC 布局的 RGB 图像取值范围 [0,1]得到提亮后的同分辨率图像。也可以作为 MLXEngine 的imageRelightModelPackageMLXCIDNet.CIDNetRelightPackage使用它会自动应用下文提到的曝光门控。 小模型 ≠ 万能它擅长把欠曝光照片拉回正常曝光而不是通用滤镜。三、Q2名字里的 fp32 是什么意思该不该选这个版本fp32 指权重和推理全程使用 32 位浮点精度。选择理由保真度优先低光照增强对色彩变换HVI 色彩空间转换非常敏感fp32 能避免低精度带来的色彩偏差和伪影成本可忽略模型仅 7.9 MBfp32 相比更低精度带来的体积增量微不足道与 PyTorch 原版对齐官方已对完整模型做过对拍64² / 128² / 256² 输入下余弦相似度达到 1.00000000见 README.md。 结论默认就用这个 fp32 版本。除非你有明确的端侧内存极限需求否则没有理由换更低精度。四、Q3Generalization 检查点是什么为什么推荐它HVI-CIDNet 公开了多个训练目标不同的检查点Generalization 是其中专为跨数据集泛化训练的一个也是本仓库的定位——推荐默认选项。它最突出的优势是误伤最小当曝光门控判断失误、模型被套用在曝光本来就正常的照片上时各检查点的损伤对比如下数值为相对正确曝光参考图的 PSNR越高越好检查点误用于正常曝光图像的 PSNRGeneralization本仓库23.37 dBLOLv1-wperc20.99 dBSICE16.10 dB也就是说即使门控出错Generalization 造成的画质损失也最小最适合作为不确定输入质量的兜底默认值。另外注意一个技术细节trans.density_k是可学习参数各检查点取值不同本检查点为 0.9835初始化值仅 0.2它随权重一起加载切勿在代码里写死见 README.md。五、Q4会不会把正常照片搞坏如何避免曝光门控⚠️ 这是使用本模型最重要的一条注意事项不要无条件套用模型。所有已发布的检查点都会把输出拉向一个目标平均亮度与输入亮度无关。对一张曝光正常的照片模型反而会降低其质量对比数据见上文表格。正确的工程做法是先估计输入亮度平均 luminance超过阈值就跳过模型bypass直接输出原图处于边缘区域时暴露一个强度混合strength blend参数做部分应用。mlx-cidnet-swift已经实现了以上两点直接用它接入即可省去做门控的心。六、Q5Generalization 模型有没有短板有而且官方明确标注了在0.70× 曝光中度欠曝光这一区间Generalization 的得分比什么都不做还差0.52 dB。为什么因为中度欠曝光恰恰是 LOL 数据集训练的模型被公开文献指出处理得最差的区间而 SICE 检查点在这个区间反而更稳。选型建议通用、输入不确定→ 选 Generalization本仓库配合曝光门控误伤最小明确知道是中度欠曝光场景→ 可考虑其他检查点或调整混合强度SICE 定位不同它的输出均值在 12 倍输入范围内始终稳定在 0.35–0.40本质上是个自动曝光归一器而非阴影提升器不建议当通用增强用。七、Q6MLX 版本和原版 PyTorch 输出一致吗✅ 官方做了严格的对拍验证Parity在 CPU、fp32、以相对误差为判据下验证项结果权重契约191 张量 / 1,975,569 参数0 缺失、0 未用严格加载HVI 色彩变换位级一致最大误差 6.6e-07含退化颜色与黄/青通道平局的掩码优先级基础算子PReLU 误差 0.00e00align-corners 重采样约 5e-07完整模型64² / 128² / 256² 及严重欠曝光图块余弦相似度 1.00000000也就是说MLX 版本是布局重排NCHW → NHWC而非格式变化数值上与 PyTorch oracle 对齐可以放心在生产中使用。八、一张表总结怎么选你的情况建议Apple Silicon 上想做低光照增强✅ 用本模型7.9 MB 端侧可跑输入照片曝光情况不确定✅ 用 Generalization 曝光门控bypass strength blend追求色彩保真✅ 保持 fp32 推理已确认输入曝光正常⛔ 直接 bypass 模型输出原图代码里硬编码trans.density_k⛔ 不要它是随检查点变化的学习参数九、文件结构与许可证文件说明README.md完整文档用途、门控警告、转换与对拍数据model.safetensorsMLX NHWC 权重81 conv 61 depthwise transposed 49 直通共 191 张量.gitattributes大文件走 Git LFS*.safetensors等格式权重来自原作者一手发布的 MIT 许可模型移植代码同为 MIT 许可可自由用于个人与商业项目。 小结HVI-CIDNet-Generalization-fp32 用 7.9 MB 的 fp32 小模型把 CVPR 2025 冠军级低光照增强带上了 Apple Silicon。记住三件事就够用了——它是泛化兜底检查点、必须配曝光门控、保持 fp32 推理就能既提亮欠曝光照片又不会误伤正常照片。赞分享【免费下载链接】HVI-CIDNet-Generalization-fp32项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/HVI-CIDNet-Generalization-fp32点击查看免费下载相关推荐如何验证模型转换正确性HVI-CIDNet-Generalization-fp32 的 fp32 逐位对齐与余弦 1.0 测试方法如何验证模型转换正确性HVI CIDNet Generalization fp32 的 fp32 逐位对齐与余弦 1.0 测试方法 本文以 HVI CIDNe为什么 trans.density_k 不能硬编码HVI-CIDNet-Generalization-fp32 中学习参数的转换陷阱为什么 trans.density_k 不能硬编码HVI CIDNet Generalization fp32 中学习参数的转换陷阱 如果你在做 HVI CI用 Swift 接入 HVI-CIDNet-Generalization-fp32mlx-cidnet-swift 集成 macOS/iOS 应用的完整步骤用 Swift 接入 HVI CIDNet Generalization fp32mlx cidnet swift 集成 macOS/iOS 应用的完整步骤上一篇Gemini CLI 内置技能剖析antigravity-support 技能的完整内容、加载机制与激活原理下一篇eksctl v0.173.0 发布解读EKS 1.29 成为默认版本access entry 支持 AWS Profile创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
