HVI-CIDNet

HVI-CIDNet restores low-light images through hue, saturation and intensity processing.

Aufgaben: restoration
Größen: t at 256 px
Installation: pip install libreyolo
Supportstufe: Nur Inferenz, seit v1.6.0. Nur Vorhersage, Validierung und Export. Trainingsfunktionen sind nicht verfügbar.
Upstream: HVI-CIDNet von HVI-CIDNet authors, MIT. Publikation, Quelle
Lizenzen: Code MIT, Gewichte MIT. Kommerzielle Nutzung

Install

bash

pip install "libreyolo"

Predict

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreHVICIDNett-restore.pt", device="cpu")result = model(SAMPLE_IMAGE, gamma=1.0, saturation=1.0, intensity=1.0)result.restored.save("enhanced.png")

gamma, saturation and intensity each default to 1.0. Validation uses paired image data. Training and export are not supported.

Validate

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreHVICIDNett-restore.pt", device="cpu")# Paired restoration dataset YAML: degraded images in inputs/, clean targets in targets/, matched by file stem.metrics = model.val(data="path/to/your/restore.yaml", workers=0)print(metrics)

Use the dataset format for this task. Validation explains the dataset requirements and returned metrics.

Checkpoints

Datei	Lizenz der Gewichte
Restoration
LibreHVICIDNett-restore.pt	mit

Jede oben aufgeführte Datei ist heute in der LibreYOLO-Organisation verfügbar und wird bei der ersten Verwendung heruntergeladen.

Licensing

Prüfe die Lizenz im Hugging-Face-Repository der konkreten Gewichte, die du herunterlädst. Jeder Checkpoint in der LibreYOLO-Organisation hat eine Lizenz, und sie ist innerhalb einer Familie nicht immer gleich. Dieses Repository ist die maßgebliche Quelle. Die Zusammenfassung unten beschreibt den Stand bei der letzten Verifizierung dieser Seite.

Dies ist eine Beschreibung der beteiligten Lizenzen und keine Rechtsberatung. Wenn die Antwort kommerziell relevant ist, lies die Lizenzen selbst und hole eigenen Rechtsrat ein.

Originalarbeit: HVI-CIDNet, HVI-CIDNet authors
Upstream-Lizenz: MIT
Upstream-Quelle: github.com/Fediory/HVI-CIDNet
LibreYOLO-Code: MIT
Gewichte: MIT, erneut unter huggingface.co/LibreYOLO veröffentlicht
Einordnung: The publisher declares MIT for the model and generalization checkpoint.

Citation

@article{yan2025hvi,
  title={HVI: A New color space for Low-light Image Enhancement},
  author={Yan, Qingsen and Feng, Yixu and Zhang, Cheng and Pang, Guansong and Shi, Kangbiao and Wu, Peng and Dong, Wei and Sun, Jinqiu and Zhang, Yanning},
  journal={arXiv preprint arXiv:2502.20272},
  year={2025}
}

Aus dem Zitierblock der Autoren unter raw.githubusercontent.com/Fediory/HVI-CIDNet/master/Readme.md kopiert.