低光照图像增强（LLIE）是视觉感知系统在退化照明条件下运行的重要环节，广泛应用于夜间监控、自动驾驶导航、遥感以及在光照不足的工业环境中执行巡检。然而，现有大多数 LLIE 方法依赖输出层面的重建损失，仅对最终恢复出的图像进行监督，导致中间特征恢复过程受到的约束十分薄弱，这也是该类方法在真实低光场景中泛化能力受限的关键原因之一。
针对这一问题，一篇题为《MirrorDistill: Illumination-Aware Latent Distillation for Efficient Low-Light Restoration》的论文提出了一种“光照感知潜在蒸馏”框架，通过特征镜像（feature mirroring）在低光域与干净域之间建立联系。该论文以 arXiv:2609.25331（v1）发布，归类于计算机视觉与模式识别（cs.CV）方向，作者为 Farida Mohsen 及另外 5 位合作者。论文于 2026 年 9 月 21 日 19:20:02 UTC 提交，全文源文件约 18,965 KB，DOI 为 10.48550/arXiv.2609.25331（由 DataCite 颁发，尚待注册）。
方法的核心机制是：在训练阶段，共享编码器与一个采用指数移动平均（EMA）的教师解码器共同处理干净参考图像，从而生成干净域的潜在目标（latent targets）。这些目标在两个层面对低光学生网络进行监督——一是原始编码器特征，二是经过标准化的多尺度解码器投影。对齐过程逐层进行，而论文提出的光照感知加权方案会对曝光不足的区域赋予更高权重，使模型在恢复暗部细节时获得更强引导。值得注意的是，教师分支与参考分支仅在训练时使用，因此推理阶段只需轻量级的学生编码器—解码器，不引入任何教师侧的计算开销。
在标准 LOL 基准上的评估显示，MirrorDistill 在真实拍摄的 LOL-v2-Real 数据集上优于现有最先进方法，同时具有最低的计算复杂度（以 GMACs 衡量），并在 LOL-v1 与 LOL-v2-Synthetic 数据集上保持竞争力。消融研究进一步验证了编码器镜像、解码器镜像以及光照感知加权三项设计各自的贡献。论文作者还表示已将代码开源，以供后续研究使用。
在 arXiv 页面上，该论文提供 PDF 与实验性 HTML 版本，并可获取 TeX 源码；页面同时列出参考文献与引用工具、代码与数据关联链接（如 alphaXiv、CatalyzeX、Hugging Face、DagsHub 等）以及相关论文推荐工具。浏览上下文为 cs.CV 的 2026 年 9 月新投稿。