ControlLight：基于 FLUX.2 的可控低光增强模型，支持连续亮度调节与结构保持，解决“一键修图”过度失真痛点

在低光照摄影中，我们常面临两难选择：直接提亮会导致噪点爆炸、色彩失真，而使用现有 AI 增强工具则往往出现“过曝发白”或“结构扭曲”的问题。ControlLight 是一个基于 FLUX.2 [klein] 9B 构建的可控低光增强模型，旨在让用户像调节音量一样，平滑、精准地控制图像亮度，同时完美保留原始场景的结构与细节。

• 项目主页：https://yfyang007.github.io/ControlLight
• GitHub：https://github.com/yfyang007/ControlLight
• 模型：https://huggingface.co/ControlLight/ControlLight

核心亮点：随心调亮，结构不失真

1. 连续可控的亮度调节

• 平滑滑块：提供从 0（原图）到 1（最大增强）的连续控制参数 alpha。
• 线性响应：调节过程自然连贯，不会出现亮度跳变或风格突变，用户可根据需求保留氛围感或彻底看清细节。

2. 极致的结构保持

• 边缘对齐：通过错位感知加权损失，模型能识别并忽略参考图中的细微边缘错位，避免生成重影或扭曲的建筑线条、人脸轮廓。
• 纹理保留：不为了“好看”而凭空编造纹理，确保文字边缘清晰、物体形态真实。

3. 强大的真实场景泛化

• 广泛适用：无论是餐厅暖光、街头路灯、月光风景还是室内暗角，均能稳定处理。
• 自然过渡：基于 Retinex 理论进行光照与反射率分离，确保中间亮度级别的图像遵循物理光照规律，阴影有层次，非简单线性混合。

技术突破：如何炼成“懂分寸”的 AI？

1. Light100K：自带“梯度教材”的数据集

传统方法仅使用“暗图→亮图”配对，导致模型无法理解亮度渐变。ControlLight 团队构建了 Light100K 数据集：

• 真实采集：从开源平台筛选约 2.7 万张真实暗光照片。
• 多级标注：利用 FLUX.2 生成高质量亮图，并通过 Retinex 插值生成 20%、40%、60%、80% 四个中间亮度级别的“参考答案”。
• 严格过滤：通过边缘检测剔除结构不一致样本，最终保留约 1.8 万对高质量数据，教会模型真正的“亮度渐变”。

2. 错位感知加权损失：给模型戴上“边缘眼镜”

针对生成图与原图可能存在的像素级错位，ControlLight 引入了一种智能监督机制：

• 边缘对比：提取输入图与目标图的边缘轮廓。
• 动态权重：在边缘一致区域赋予高权重，让模型认真学习；在错位区域降低权重，让模型更多参考输入图结构。
• 结果：有效抑制了结构伪影，提升了感知质量。

3. LoRA 轻量微调

• 高效训练：基于强大的 FLUX.2-klein-9B 底座，仅通过 LoRA 训练约 3 亿参数。
• 继承泛化力：既保留了大模型的强大生成能力，又实现了高效的特定任务适配。

性能表现：真实感与控制力双优

注：在连续控制评估中，ControlLight 是唯一能始终保持“更亮”语义方向且不跑偏的模型。

ControlLight 标志着低光照增强技术从“盲目自动生成”迈向“精细可控修复”的新阶段。它通过创新的 Light100K 数据集和错位感知训练机制，解决了长期困扰行业的结构失真与控制缺失问题。