低光照影像增強（LLIE）是視覺感知系統在退化照明條件下執行的重要環節，廣泛應用於夜間監控、自動駕駛導航、遙感以及在光照不足的工業環境中執行巡檢。然而，現有大多數 LLIE 方法依賴輸出層面的重建損失，僅對最終恢復出的影像進行監督，導致中間特徵恢復過程受到的約束十分薄弱，這也是該類方法在真實低光場景中泛化能力受限的關鍵原因之一。
針對這一問題，一篇題為《MirrorDistill: Illumination-Aware Latent Distillation for Efficient Low-Light Restoration》的論文提出了一種“光照感知潛在蒸餾”框架，透過特徵映象（feature mirroring）在低光域與乾淨域之間建立聯絡。該論文以 arXiv:2609.25331（v1）釋出，歸類於計算機視覺與模式識別（cs.CV）方向，作者為 Farida Mohsen 及另外 5 位合作者。論文於 2026 年 9 月 21 日 19:20:02 UTC 提交，全文原始檔約 18,965 KB，DOI 為 10.48550/arXiv.2609.25331（由 DataCite 頒發，尚待註冊）。
方法的核心機制是：在訓練階段，共享編碼器與一個採用指數移動平均（EMA）的教師解碼器共同處理乾淨參考影像，從而生成乾淨域的潛在目標（latent targets）。這些目標在兩個層面對低光學生網路進行監督——一是原始編碼器特徵，二是經過標準化的多尺度解碼器投影。對齊過程逐層進行，而論文提出的光照感知加權方案會對曝光不足的區域賦予更高權重，使模型在恢復暗部細節時獲得更強引導。值得注意的是，教師分支與參考分支僅在訓練時使用，因此推理階段只需輕量級的學生編碼器—解碼器，不引入任何教師側的計算開銷。
在標準 LOL 基準上的評估顯示，MirrorDistill 在真實拍攝的 LOL-v2-Real 資料集上優於現有最先進方法，同時具有最低的計算複雜度（以 GMACs 衡量），並在 LOL-v1 與 LOL-v2-Synthetic 資料集上保持競爭力。消融研究進一步驗證了編碼器映象、解碼器映象以及光照感知加權三項設計各自的貢獻。論文作者還表示已將程式碼開源，以供後續研究使用。
在 arXiv 頁面上，該論文提供 PDF 與實驗性 HTML 版本，並可獲取 TeX 原始碼；頁面同時列出參考文獻與引用工具、程式碼與資料關聯連結（如 alphaXiv、CatalyzeX、Hugging Face、DagsHub 等）以及相關論文推薦工具。瀏覽上下文為 cs.CV 的 2026 年 9 月新投稿。