编辑推荐：
为解决传统低光图像增强算法存在的细节纹理丢失、噪声大、配对低 / 正常光图像数据集小等问题，研究人员开展了基于纹理感知生成和双判别器的无监督低光图像增强算法（TA-GAN）研究。实验表明该算法 PSNR 值达 23.94、SSIM 为 0.87 ，有效提升图像增强效果。
在数字图像处理的广袤天地里，低光环境下的图像增强就像一座难以攻克的堡垒，横亘在科研人员面前。在日常生活中，我们或许都有过这样的经历：在光线昏暗的室内拍照，或是夜晚拍摄风景，拍出来的照片往往模糊不清，细节丢失，色彩黯淡，对比度也很低。这不仅仅影响我们记录美好瞬间，在许多专业领域，低光图像的问题更是带来了巨大挑战。
比如在安防监控领域，夜晚光线不足时，监控画面中的人物、车辆等关键信息常常难以辨认，给安全防范工作带来很大困难。在医学影像领域，一些检查设备在特定情况下获取的图像可能存在低光问题，这会干扰医生对病情的准确判断。还有在自动驾驶领域，夜间或光线不佳的环境下，车辆摄像头采集到的低光图像，可能导致自动驾驶系统对路况的识别出现偏差，危及行车安全。
面对这些问题，传统的低光图像增强算法试图 “力挽狂澜”，它们主要包括直方图均衡化和基于模型的优化方法。然而，低光图像增强本身是一个难题，传统算法就像 “戴着镣铐跳舞”，难以适应各种复杂多变的光照条件，增强效果差强人意。
随着深度学习技术的兴起，基于深度学习的低光图像增强算法崭露头角。它们凭借大量数据进行训练，能够自动学习图像增强的特征，在一定程度上适应了复杂场景和光照条件。像 2018 年 Wei 等人提出的 Retinex-Net 算法，基于 Retinex 理论，利用卷积神经网络将图像分解为光图和反射图来恢复图像的自然亮度和细节；2019 年 Zhang 等人提出的 KinD 算法，同样基于 Retinex 理论，结合图像分解和增强，处理效果较为自然；2021 年的 KinD++ 算法则通过改进网络结构和损失函数，进一步提升了图像的亮度、对比度和细节恢复能力。但这些算法都有一个 “致命弱点”，那就是在训练过程中需要低光图像与对应的正常光图像配对，而在现实场景中收集这样的配对数据困难重重，自然环境中的光照变化难以控制，数据采集不仅复杂，而且耗时耗力，这严重限制了低光图像增强技术的应用和推广。
为了突破这些困境，研究人员另辟蹊径，开始探索无监督学习方法。2021 年 Jiang 等人提出的 EnlightenGAN 算法，不需要配对数据进行训练，通过对抗训练学习增强映射，但该算法存在对比度低和噪声高的问题。2024 年 Zhou 等人提出的 GLARE 算法，是一种基于生成隐藏层特征码本检索的无监督低光图像增强网络。
在这样的背景下，来自未知研究机构的研究人员开展了一项意义重大的研究，他们提出了一种基于纹理感知生成和双判别器的无监督低光图像增强算法 ——TA-GAN（Texture Aware GAN）。这项研究成果发表在《Digital Signal Processing》上，为低光图像增强领域带来了新的曙光。
研究人员在开展这项研究时，运用了多种关键技术方法。他们构建了由纹理感知增强模块、生成器模块、双判别器模块和去噪模块组成的 TA-GAN 算法框架。在纹理感知增强模块中，利用灰度正则化图像和纹理感知损失函数来突出图像的光照和纹理信息；生成器模块采用金字塔池化机制获取图像不同尺度的信息，再通过 U - 网络融合灰度正则化图像实现光照的逐步增强和细节恢复，最后将 U - 网络生成的图像输入复合极化注意力机制进行高质量的像素级回归；双判别器模块包含全局判别器和局部判别器，分别关注图像的整体结构和局部细节；去噪模块则利用图像中相似区域的特征信息来降低噪声。实验选用了未配对数据集进行训练，用 LOL、SCIE 等多个数据集进行测试。
下面来看看具体的研究结果：
- TA-GAN 算法分析：大多数低光图像增强算法依赖配对图像，存在数据采集困难的问题。而 TA-GAN 算法通过自生成和自校正机制从图像中学习增强规则，减少了对配对数据的依赖。
- 数据集和评估指标：研究人员选用未配对数据集（包含 914 张低光图像和 1016 张正常光图像）进行实验训练，使用 LOL、SCIE、LIME、MEF 和 DICM 数据集进行测试。其中，LOL 数据集包含 500 对低光图像及其参考图像，场景类型多样，主要用于评估低光增强模型。经过实验分析，TA-GAN 算法在 LOL 数据集上的 PSNR 值达到 23.94，SSIM 为 0.87。
研究结论表明，TA-GAN 算法有效解决了传统低光图像增强算法中细节纹理丢失、噪声大以及配对数据集小的问题，在主观和客观评估指标上都有显著提升。该算法通过引入金字塔池化机制，能够有效捕捉多尺度图像特征，提升了图像细节的恢复能力；复合极化注意力机制通过强化特征注意力实现了更精确的像素级回归，提高了增强图像的整体质量；去噪模块充分利用图像相似区域的特征信息，有效抑制了噪声干扰，进一步提升了图像的清晰度和自然感。
这项研究的意义非凡。TA-GAN 算法为低光图像增强领域提供了一种全新的、有效的解决方案，打破了传统算法和现有无监督算法的局限。它能够广泛应用于安防监控、医学影像、自动驾驶等多个领域，提升这些领域在低光环境下的图像质量，为相关技术的发展提供有力支持，推动了数字信号处理技术在低光图像增强方向的进步，具有广阔的应用前景和研究价值。
