双感知提示学习：面向背光图像增强的照明自适应与语义感知引导

本文提出DualPro框架，通过分层提示学习策略整合照明扩散（Diffusion）与语义对齐（CLIP），创新性地设计双提示注入模块（DPGT）和全局感知注意力机制，有效解决背光图像中局部动态范围差异和语义失真问题，在BAID等数据集上显著提升色彩自然度与结构保真度。

　　

亮点

• 提出融合照明与语义双引导的提示学习框架DualPro

• 开发残差引导照明扩散过程提取细粒度先验

• 设计双提示引导Transformer（DPGT）架构实现多维度特征融合

方法

本研究提出分层提示学习策略：首先通过潜空间编码器压缩真实图像照明特征，同时利用预训练CLIP文本编码器提取理想提示；其次采用残差引导扩散模型（Residual-guided Diffusion）从高动态范围图像生成照明提示，并结合图像-文本对齐技术产生语义提示。最终通过双提示注入模块（Dual-prompt Injection）和全局感知注意力模块（Global Perceptual Attention）实现照明一致性与语义保真度的协同优化。

结论与局限性

DualPro框架通过双感知提示学习有效平衡背光图像的照明校正与语义恢复，但在极端曝光区域的细节重建仍受限于不可逆信息损失。未来工作将探索跨模态先验的深度融合机制。