ReciprocalLA-LLIE：一种基于亮度感知的逆向扩散过程的低光照图像增强算法

《Neurocomputing》：ReciprocalLA-LLIE: Low-light image enhancement with luminance-aware reciprocal diffusion process

低光图像增强模型ReciprocalLA-LLIE通过双向扩散过程和亮度调整模块解决噪声放大与亮度控制问题，实验验证其性能优于现有方法。

　　低光照图像增强（Low-light Image Enhancement, LLIE）是计算机视觉领域中的一个重要任务，其核心目标是从光照不足的图像中恢复出视觉上合理的细节信息。在实际应用场景中，如夜间监控、低照度摄影等，低光照图像往往因为光线不足而出现细节模糊、噪点明显以及整体亮度偏低等问题，严重影响图像的可用性和视觉效果。因此，研究如何有效地提升低光照图像的亮度、减少噪声并保留细节成为学术界和工业界共同关注的焦点。

现有的低光照图像增强方法大多基于单向映射的思路，即通过某种方式将低光照图像转换为正常光照图像。这些方法通常依赖于传统的图像处理技术，如直方图均衡化、伽马校正等，或者是基于深度学习的非线性映射方法。然而，这些方法在处理复杂光照条件下的图像时，往往面临诸如噪声放大、颜色失真和细节丢失等挑战。尤其是在极端低光照条件下，传统方法难以有效捕捉图像中的光照与反射之间的物理关系，导致增强后的图像看起来不自然，甚至出现过曝或亮度不足的问题。

近年来，扩散模型（Denoising Diffusion Probabilistic Models, DDPM）因其在图像生成任务中的卓越表现而受到广泛关注。DDPM通过构建一个逐步去噪的过程，从纯噪声中生成高质量的图像。其核心思想是基于马尔可夫过程，通过一系列的扩散步骤，将图像逐步从噪声状态恢复到清晰状态。然而，现有的扩散模型在低光照图像增强任务中仍然存在一定的局限性。许多模型将低光照图像仅仅视为条件输入，而非直接参与生成过程，这导致了信息利用的不充分。此外，由于扩散过程通常以纯噪声作为起点，这可能会引入额外的噪声干扰，影响增强效果的准确性。更重要的是，现有模型往往忽略了图像的全局亮度控制，导致增强后的图像亮度不协调，出现不自然的视觉效果。

针对上述问题，本文提出了一种全新的扩散模型——ReciprocalLA-LLIE（Reciprocal Luminance-Aware Low-light Image Enhancement），旨在通过构建一种对称的“互逆”过程，提升低光照图像增强的效果。ReciprocalLA-LLIE的核心思想是将传统的马尔可夫过程转化为一种互逆过程，使得低光照图像能够直接作为扩散过程的“终点状态”参与生成，而不是作为条件输入间接影响结果。这种互逆过程不仅能够更好地保留图像的细节信息，还能有效控制图像的亮度，避免过曝或亮度不足的问题。

在模型设计上，ReciprocalLA-LLIE首先对传统的DDPM中的漂移函数进行了调整，使其能够在扩散过程中将“终点”从无序的噪声状态转移到低光照图像状态。这种调整充分利用了DDPM在概率分布映射和图像去噪方面的优势，同时削弱了噪声终端状态对增强结果的影响。通过这种方式，模型能够更直接地从低光照图像出发，逐步生成高质量的增强图像，从而在一定程度上解决了传统方法中信息丢失和噪声干扰的问题。

此外，为了进一步提升增强效果，ReciprocalLA-LLIE引入了一个亮度调整模块（Luminance Adjustment Block）。该模块通过计算图像像素的平均亮度值，来衡量图像的整体亮度水平。这一设计确保了增强后的图像亮度处于一个合理的范围内，避免了因过曝或亮度不足而导致的视觉失真。亮度调整模块的引入不仅提升了增强结果的自然度，还为模型提供了一种有效的全局亮度控制机制。

ReciprocalLA-LLIE的另一个重要创新在于其对互逆过程的建模方式。传统方法通常将低光照图像视为输入条件，仅在生成过程中对其进行调整，而ReciprocalLA-LLIE则直接将低光照图像作为扩散过程的“终点状态”，从而实现了从低光照图像到正常光照图像的双向映射。这种互逆过程不仅增强了模型对图像信息的利用效率，还使得增强过程更加直观和可控。

为了验证ReciprocalLA-LLIE的有效性，本文进行了多组实验，包括模型的实现细节、数据集的构建与评估指标的设定，以及与当前最先进的方法进行对比分析。实验结果表明，ReciprocalLA-LLIE在多个基准测试中均表现出优异的增强性能，能够有效提升低光照图像的亮度、减少噪声并保留细节。此外，通过消融实验进一步分析了亮度调整模块对增强效果的影响，结果表明该模块在提升图像质量方面起到了关键作用。

本文的主要贡献可以总结为以下三点。首先，我们提出了ReciprocalLA-LLIE模型，通过将传统的马尔可夫过程转化为互逆过程，实现了低光照图像与正常光照图像之间的直接映射，提升了增强效果的准确性和自然度。其次，我们引入了亮度调整模块，通过对图像全局亮度的控制，有效避免了过曝或亮度不足的问题，使得增强后的图像更加真实和合理。最后，我们首次将互逆过程与亮度调整相结合，用于低光照图像增强任务，为该领域的研究提供了新的思路和方法。

在实验部分，本文详细描述了ReciprocalLA-LLIE的实现过程，并介绍了所使用的数据集和评估指标。为了确保实验的全面性和有效性，我们选取了多个具有代表性的低光照图像数据集，并采用了多种常用的评估方法，包括视觉质量评估和定量指标分析。实验结果表明，ReciprocalLA-LLIE在提升图像亮度、减少噪声以及保留细节方面均优于现有的其他方法。特别是在极端低光照条件下，ReciprocalLA-LLIE能够更好地恢复图像的细节信息，避免了传统方法中常见的亮度失真和颜色偏差问题。

为了进一步验证亮度调整模块的有效性，本文还进行了消融实验。实验结果显示，当移除亮度调整模块时，模型在提升图像亮度方面的能力有所下降，同时出现了更多的过曝现象和不自然的视觉效果。这表明亮度调整模块在控制图像亮度方面起到了至关重要的作用。此外，实验还表明，ReciprocalLA-LLIE在处理不同类型的低光照图像时，表现出较强的鲁棒性，能够在多种光照条件下保持较高的增强效果。

在理论分析部分，本文对ReciprocalLA-LLIE的互逆过程进行了深入探讨。互逆过程的核心在于，它能够同时考虑低光照图像和正常光照图像之间的相互关系，从而在增强过程中实现更全面的信息利用。传统的扩散模型通常只关注从噪声到清晰图像的单向生成过程，而ReciprocalLA-LLIE则通过互逆过程，使得增强过程更加对称和合理。这种对称性不仅有助于提升增强效果，还能为模型提供更稳定的训练过程。

此外，本文还对ReciprocalLA-LLIE的亮度调整模块进行了详细分析。亮度调整模块通过计算图像像素的平均亮度值，来衡量图像的整体亮度水平。这一设计使得模型能够在增强过程中动态调整亮度，避免因过曝或亮度不足而导致的视觉失真。亮度调整模块的引入，使得ReciprocalLA-LLIE能够在保持图像细节的同时，实现更自然的亮度分布。

在实际应用方面，ReciprocalLA-LLIE具有广泛的适用性。它可以用于各种低光照场景下的图像增强任务，如夜间监控、低照度摄影、医学影像处理等。特别是在需要高精度和高质量增强结果的领域，ReciprocalLA-LLIE的优势更加明显。通过直接将低光照图像作为终点状态，ReciprocalLA-LLIE能够更高效地利用图像信息，从而在增强过程中减少不必要的信息丢失和噪声干扰。

总的来说，本文提出的ReciprocalLA-LLIE模型在低光照图像增强任务中表现出色，能够有效解决现有方法中存在的亮度控制不足、噪声干扰等问题。通过构建互逆过程和引入亮度调整模块，ReciprocalLA-LLIE不仅提升了增强效果的准确性，还增强了模型的鲁棒性和实用性。未来的研究可以进一步探索互逆过程在其他图像处理任务中的应用，以及如何优化亮度调整模块以适应更复杂的光照条件。此外，ReciprocalLA-LLIE的模型结构也为后续研究提供了新的思路和方法，具有重要的理论和实践意义。