基于Transformer论的低光照图像增强算法研究.pdf

基于Transformer和Retinex理论的低光照图像增强算法研究

摘要

现实世界中低光图像不仅会造成不好的视觉观感，还会对后续的计算机视觉任务产

生影响。因此，深入研究低光图像增强技术具有至关重要的价值。当前的低光图像增强

算法存在一些问题，为了解决增强后的图像色彩畸变、噪声很多和细节恢复较差的问题，

本文设计并实现了两种基于深度学习的的网络框架，具体内容如下：

首先，本文设计了一个整合了图像分解、恢复和亮度调节功能的网络架构，该网络

架构融合了卷积神经网络和传统Retinex理论的思想。整体网络模型由三个核心部分组

成：图像分解模块，光照调节模块以及图像恢复重建模块。其中分解网络模块可以将输

入的图像分解为光照、反射率和噪声三个组成部分，进而可以将噪声分量去除从而达到

图像去噪的目的。调节网络模块采用编码器-解码器架构的总体框架，负责对分解网络

分解得到的低光图像的光照图进行调节。最后根据Retinex理论对图像进行恢复重建。

实验结果表明本文方法可以在改善图像质量的同时有效抑制噪声。

其次，为了提高网络的泛化性能，使网络很好地适用于不同的低光图像数据集，本

文采用了一种基于Transformer的网络框架，并实现了一种自适应的低光图像增强算法。

该网络包含一个图像处理模块，该模块内部包含一个引导滤波器和一个像素滤波器，分

别实现对低光图像的去噪和增强。Transformer参数预测网络使用注意力查询机制来调整

图像处理模块的参数，通过Transformer参数预测网络对图像处理模块的参数进行预测。

经过实验验证，该方法可以有效地对低光图像进行增强，在不同的数据集上增强效果显

著，能够在抑制图像噪声的同时保留图像的细节。

LOLDICMLIMEExdark

最后，本文采用了、、和等多个数据集来进行仿真实验，

从主观视觉感受和客观数据指标两个维度，全面评估了本文提出的方法的性能。同时还

与多种主流的低光图像增强算法进行了对比，以验证本文的网络模型具有更好的鲁棒性

和有效性。

关键词：低光图像增强；深度学习；卷积神经网络；Transformer网络；Retinex理论

基于Transformer和Retinex理论的低光照图像增强算法研究

Abstract

Intherealworld,low-lightimagesnotonlycausepoorvisualperception,butalsoaffect

subsequentcomputervisiontasks.Therefore,in-depthresearchonlow-lightimage

enhancementtechnologyisofcrucialvalue.Currentlow-lightimageenhancementalgorithms

havesomeproblems.Inordertosolvetheproblemsofcolordistortion,highnoise,andpoor

detailrecoveryintheenhancedimage,thisarticledesignsandimplementstwodeep

learning-basednetworkframeworks,asfollows:

Firstly,thispaperdesignsanetworkarchitecturethatintegratesimagedecomposition,

restoration,andbrightnessadjustmentfunctions.Thisnetworkarchitecturecombinesthe

ideasofconvolutionalneuralnetworksandtraditionalRetinextheory.Theoverallnetwork

modelconsistsofthreecorecomponents:imagedecompositio