基于无监督微调策略的多算法融合低光照图像增强方法

为解决单一低光照图像增强(LLIE)算法在色彩恢复、降噪、亮度调整和细节保留等方面表现不一致的问题，研究人员提出了一种无监督微调策略，通过融合Retinexformer和RQ-LLIE两种互补算法的预处理结果，结合轻量级UNet网络和混合损失函数约束，实现了更全面的增强效果。实验表明，该方法在定性和定量评估中均优于现有单一算法，且具有高度可扩展性，为复杂场景下的低光照图像处理提供了新思路。

　　

在光线不足的环境中拍摄的图像常常面临噪声、伪影、低对比度和色彩失真等问题，这不仅降低了图像的视觉清晰度，还会对后续的图像分类、目标跟踪和姿态估计等计算机视觉任务产生负面影响。低光照图像增强（LLIE）因此成为计算机视觉领域的重要研究方向。尽管过去几十年研究人员开发了多种LLIE算法，但单一算法往往难以同时兼顾色彩恢复、降噪、亮度调整和细节保留等多方面需求，导致增强效果参差不齐。传统方法如直方图均衡化（HE）、伽马校正和基于Retinex理论的方法虽有一定效果，但存在色彩失真和细节丢失等问题。而基于深度学习的方法，如生成对抗网络（GAN）和卷积神经网络（CNN），虽能学习从低光照到正常光照的映射，但往往泛化能力不足，且对训练数据质量要求较高。此外，Transformer架构虽能捕捉长距离依赖关系，但其计算复杂度限制了实际应用。

针对这些问题，研究人员提出了一种无监督微调策略，通过融合多种LLIE算法的优势，实现更全面的低光照图像增强。该方法分为预处理和无监督融合微调两个阶段。预处理阶段选择Retinexformer和RQ-LLIE两种互补算法对输入图像进行独立处理，生成两幅预处理图像。在无监督融合微调阶段，利用轻量级UNet网络提取预处理图像的特征，生成融合图像，并通过混合损失函数约束图像内容一致性和质量调整。此外，还引入了基于无参考指标BRISQUE和PIQE的图像质量筛选机制，从迭代输出中选择最优增强图像。

主要技术方法
研究采用Retinexformer和RQ-LLIE作为预处理算法，利用轻量级UNet网络进行特征提取和图像融合。混合损失函数结合了内容一致性、色彩、空间一致性和曝光约束。图像质量筛选机制基于BRISQUE和PIQE指标。实验在LOL、LSRW、LIME等多个主流数据集上进行评估。

研究结果
Abstract
研究提出了一种无监督微调策略，通过融合多种LLIE算法解决了单一算法的局限性。实验证明，该方法在定性和定量评估中均优于现有单一算法。
Introduction
分析了低光照图像的常见问题和现有LLIE算法的局限性，指出单一算法难以全面解决色彩恢复、降噪等问题，强调了多算法融合的必要性。
Section snippets
Related work
综述了Retinexformer和RQ-LLIE等现有LLIE算法的优缺点，为多算法融合提供了理论基础。
Basic idea
提出通过无监督融合策略结合不同算法的互补优势，提升增强效果。
Datasets and implementation details
在多个主流数据集上验证了方法的有效性，包括LOL、LSRW等。
Conclusion
总结表明，无监督融合策略显著提升了低光照图像增强的效果，且具有高度可扩展性。

结论与讨论
该研究提出的无监督微调策略通过融合Retinexformer和RQ-LLIE的预处理结果，结合轻量级UNet网络和混合损失函数约束，实现了更全面的低光照图像增强效果。实验证明，该方法在多个数据集上的定性和定量评估中均优于现有单一算法。此外，方法的可扩展性使其能够轻松整合未来新的LLIE算法，为复杂场景下的低光照图像处理提供了灵活且高效的解决方案。这一成果不仅提升了低光照图像增强的技术水平，也为相关计算机视觉任务的性能改进奠定了坚实基础。