XGFu：基于多曝光图像特征与图卷积融合的低光照视觉增强方法

针对低光照图像动态范围低、噪声干扰大的难题，研究人员提出XGFu框架，通过多曝光生成网络（MEG-Net）构建序列依赖的曝光图像，并利用图卷积特征融合网络（GFF-Net）实现空间-通道双维度特征补偿，显著提升色彩饱和度和细节恢复能力，为智能驾驶等实际应用提供鲁棒性增强方案。

　　

在光线不足的环境中拍摄的图像往往面临动态范围狭窄、噪声显著等问题，传统方法如伽马校正或基于Retinex理论的增强算法虽有一定效果，但受限于手工设计的先验假设，难以适应复杂场景。而现有深度学习方法又因配对数据稀缺和低信噪比特性，易出现色彩失真和噪声放大。多曝光图像融合（MEF）技术通过整合不同曝光程度的图像序列，理论上可突破单幅图像的局限性，但现有方法如Zero-DCE存在色彩过饱和，DDMEF引发色彩偏移，HoLoCo虽保留局部特征却放大噪声，均未能有效平衡动态范围扩展与细节恢复的矛盾。

为此，研究人员提出XGFu框架，其核心创新在于将低光照增强问题转化为空间变化的对比度与饱和度优化任务。该框架包含两大模块：多曝光生成网络（MEG-Net）通过非线性因子估计模块迭代生成具有序列依赖性的曝光图像，权重计算模块则动态调整曝光水平；图基特征融合网络（GFF-Net）首次引入二维图卷积，通过单特征集深度融合（基于GCN）聚合局部相似区域特征，多特征集广度融合（基于RGCN）实现跨特征图的全局信息补偿，最终结合空间-通道注意力机制输出高动态范围图像。实验表明，XGFu在合成与真实低光照数据集上均优于现有方法，其RGB通道像素值分布（50-150）更接近真实场景，且能有效抑制噪声并保持色彩一致性。

关键技术包括：1）半监督式多曝光序列生成；2）图卷积网络（GCN）驱动的空间-通道双维度特征融合；3）联合注意力机制的特征整合。研究结果部分显示：在MEG-Net阶段，非线性因子估计模块通过加权方案将输入图像像素值扩展至高动态范围；GFF-Net中，单特征集深度融合使低信噪比区域与清晰区域通过图节点交互增强结构一致性，多特征集广度融合则通过通道域信息传播补偿全局特征。消融实验验证了各模块的必要性，尤其是RGCN对跨曝光图像特征关联的挖掘能力。

结论指出，XGFu通过图卷积的拓扑关系建模能力，突破了传统MEF方法在色彩恢复与细节保留上的瓶颈。其意义在于：1）为空间变化的低光照增强提供了可解释的图学习范式；2）提出的广度-深度融合策略可迁移至其他多模态图像处理任务；3）无需严格配对数据的特点提升了实际应用可行性。未来可探索图结构在更高分辨率图像中的计算优化，以及动态场景下的时序信息融合。论文发表于《Expert Systems with Applications》，作者团队来自国内高校，通讯作者为Rong Chen。