基于傅里叶增强的端到端低光照目标检测算法FE-YOLO：亮度与结构协同优化的创新实践

针对低光照条件下目标检测算法精度低、计算负载高、泛化性差的问题，天津科研团队提出融合傅里叶变换幅频特性的FE-YOLO网络。该研究通过构建傅里叶增强网络（FENet）与联合损失函数，实现图像增强与目标检测的端到端优化，在ExDark和DarkFace数据集上达到最优性能，代码已开源。

　　

论文解读

在自动驾驶夜视系统和安防监控等领域，低光照环境导致的目标检测性能骤降一直是棘手难题。图像亮度衰减、噪声激增和细节丢失使得主流检测算法如YOLO系列在暗光条件下表现堪忧。现有解决方案多采用分离式处理——先增强图像再执行检测，这种"分治策略"不仅效率低下，还因模块间协同不足导致信息损失。更令人担忧的是，传统增强方法往往过度依赖空间域处理，忽视频域中蕴含的关键亮度与结构信息，最终陷入"增强失真"与"检测漏判"的双重困境。

天津科研团队在《Digital Signal Processing》发表的这项研究另辟蹊径，将傅里叶变换的物理特性与目标检测任务深度耦合，提出革命性的FE-YOLO框架。该工作创新性地发现：频域中振幅分量与图像亮度存在正相关性，而相位分量承载着结构信息。基于此，团队设计出三管齐下的解决方案——通过傅里叶增强网络（FENet）提取频域特征，创新幅值差损失（amplitude difference loss）和相位相似度损失（phase similarity loss）双约束机制，最终与YOLOv3检测器构建端到端训练系统。实验证明，该方案在ExDark等数据集上不仅超越GDIP、IA-YOLO等同类算法，更展现出惊人的噪声鲁棒性。

关键技术方法包括：1）构建含频率处理模块（FPB）的FENet网络，采用复数卷积处理频域信息；2）设计联合损失函数整合增强与检测任务；3）使用LOL-Real/Synthetic和ExDark等多源数据集验证；4）通过相位一致性图（PCM）量化结构保留效果。

研究结果
FENet架构设计
通过频率处理模块（FPB）实现频域到空间域的转换，复数卷积层有效分离振幅与相位。实验显示该模块使暗区亮度提升300%的同时，关键结构特征信噪比提高2.1倍。

双损失函数机制
幅值差损失通过动态权重放大暗区振幅，相位相似度损失采用余弦度量保持边缘完整性。消融实验表明，双损失联合使用时检测mAP提升12.7%，显著优于单一损失方案。

端到端训练策略
在ExDark数据集上，FE-YOLO的AP50达到68.9%，比基线YOLOv3提高23.4%。特别值得注意的是，在极暗场景（<1lux）下仍保持54.2%的召回率，验证了算法的光照鲁棒性。

噪声对抗性能
添加高斯噪声（σ=0.1）的对比实验中，FE-YOLO的检测精度波动幅度<3.2%，而对比方法PE-YOLO下降达11.5%，证明频域处理具有天然抗噪优势。

YOLOv8验证实验
将FENet迁移至YOLOv8框架后，在DarkFace数据集上AP50进一步提升至71.3%，说明该增强模块具备良好的检测器兼容性。

结论与意义
该研究开创性地将频域增强与目标检测任务深度融合，其核心价值体现在三个方面：首先，FENet通过物理可解释的振幅调控实现亮度增强，突破传统CNN增强方法的经验主义局限；其次，双损失函数机制为图像增强领域提供新的优化范式，证明频域约束对下游检测任务的正向迁移作用；最后，端到端架构设计显著提升系统效率，推理速度达到38FPS，满足实时性需求。

值得关注的是，研究团队特别强调选择YOLOv3而非更新版本作为基线的科学考量——这确保性能提升源自增强模块本身而非检测器改进。这种严谨的实验设计为后续研究树立了范式。开源代码中提供的相位一致性分析工具，更为低光照图像质量评估提供了新的量化标准。未来，该技术有望在医疗内镜、天文观测等更多弱光场景拓展应用边界。