基于深度学习的低照度图像增强算法研究.pdf

基于深度学习的低照度图像增强算法研究

摘要

低照度图像增强任务作为计算机视觉领域的重要研究分支之一，为目标检

测、语义分割和自动驾驶等高级计算机视觉任务提供了有力支撑。在夜晚或背

光环境下拍摄的图像往往伴随着亮度较暗、对比度差和细节丢失等问题，这类

图像不仅影响人们的主观视觉感受，还对高级计算机视觉任务带来了巨大挑战。

近年来，基于深度学习的低照度图像增强算法发展迅速，但增强的图像仍然存

在曝光不均、颜色失真和噪声放大等现象。针对这一系列问题，本文基于深度

学习相关理论对低照度图像增强任务进行相关研究，旨在探究出更高效的低照

度图像增强算法。本文的主要研究内容如下：

（1）针对无监督学习的低照度图像增强算法过度依赖于手工先验来指导网

络训练等问题，本文提出了一种基于Retinex分解和无监督学习的低照度图像增

强算法，该算法的核心思想是充分利用来自成对低照度图像的先验知识进行无

监督学习，并使用Retinex理论和卷积神经网络将低照度图像分解为光照和反射

分量。首先，由于两个低照度图像输入共享相同的场景内容，其估计出的反射

分量需要保持一致。其次，为避免由于Retinex模型在低照度建模中存在的局限

性而导致的次优估计，本文采用了一种自监督机制，在对输入图像进行去噪优

化之后再进行Retinex分解。最后对分解得到的光照图进行亮度矫正，再与反射

率进行图像融合得到最终增强图像。在公共数据集中进行主客观对比实验验证，

本文所提出的算法以更少的先验约束和更简单的网络结构实现了具有竞争性的

性能水平。与同时期的先进算法相比，在经典数据集LOL和SICE上的PSNR

指标的平均提升高达2.10dB，SSIM的指标提升2.55%。

（2）针对监督学习的低照度图像增强算法过度依赖于低/正常光图像对数

据集进行网络训练等问题，本文提出了一种基于注意力机制的低照度图像增强

算法，首先，提出了一种低光图像模拟流程，构建了一个大规模的合成图像数

据集用于监督学习的模型训练，网络模型通过这个合成图像数据集进行训练，

从而学习两个注意力引导图，分别用于引导亮度增强和降噪任务。第一个注意

力引导图区分曝光不足的区域和照明良好的区域，第二个注意力引导图区分噪

声和真实纹理。基于两个注意力引导图的引导，本文所提出的多分支分解与融

-I-

合增强网络以一种输入自适应的方式进行图像增强。最后，通过一个全卷积强

化网络对图像的色彩和对比度进一步提升得到最终增强结果。在合成数据集和

公共数据集上进行的大量实验证明，本文所提算法在主观视觉和客观指标上都

能产生高保真的低照度图像增强效果，证明了该算法的有效性。与同时期的先

进算法相比，在合成数据集和经典数据集LOL、SID上的PSNR指标的平均提

升高达2.45dB，SSIM的指标提升3.14%。

关键词深度学习；低照度图像增强；无监督学习；注意力机制

-II-

ResearchonLow-LightImageEnhancement

AlgorithmBasedonDeepLearning

Abstract

Low-lightimageenhancementtask,asanessentialresearchbranchinthefieldof

computervision,providesrobustsupportforadvancedcomputervisiontaskssuchas

objectdetection,semanticsegmentation,andautonomousdriving.Imagescapturedin

low-lightorbacklitenvironmentsoftenexhibitproblemslikelowbrightness,poor

contrast,andlossofdetails.Theseissuesnotonlyaffectthesubjec