基于扩散去噪与光照增强的DT-Retinex低光图像增强网络研究

针对低光图像存在的亮度不足、细节模糊及噪声干扰等问题，昆明理工大学团队提出DT-Retinex模型，通过分解网络（DecomNet）、扩散去噪（RDnoiseNet）和光照增强（ReLumenNet）三阶段优化，结合LIT模块与CBAM注意力机制，显著提升PSNR/SSIM指标，为夜间监控、自动驾驶等场景提供高质量解决方案。

　　

在夜间监控、自动驾驶等领域，低光环境下的图像常因亮度不足、噪声干扰导致关键信息丢失，传统方法如直方图均衡（HE）易造成细节损失，而基于Retinex理论的深度学习方法虽有所改进，仍面临分解精度不足、噪声残留和光照建模局限三大挑战。昆明理工大学的研究团队在《Digital Signal Processing》发表论文，提出DT-Retinex模型，通过创新性三阶段架构实现低光图像的高质量增强。

研究采用双分支分解网络（DecomNet）提升图像分解精度，引入扩散模型渐进式去噪（RDnoiseNet）优化反射分量，并设计结合LIT模块（Light-Illumination Transformer）和CBAM（Convolutional Block Attention Module）的U-Net结构（ReLumenNet）实现全局-局部光照协同增强。实验基于LOL-v1/v2数据集，对比Retinexformer等模型验证性能。

图像分解阶段：DecomNet通过共享权重双分支结构分离反射与光照分量，保留低频结构特征，解决传统方法在复杂光照下的分解模糊问题。
反射分量去噪：RDnoiseNet采用扩散模型逐步去除噪声，定制化去噪损失函数减少高频细节损失，在极端噪声条件下仍保持边缘清晰度。
光照增强设计：ReLumenNet的编码器通过LIT模块建模全局光照，解码器嵌入CBAM注意力机制，自适应强化关键区域亮度，避免局部过曝。

研究显示，DT-Retinex在PSNR（峰值信噪比）、SSIM（结构相似性）和LPIPS（感知差异）指标上超越现有方法，无参考指标NIQE/BRISQUE证实其视觉自然性。但极端噪声和未知光照场景下的泛化能力仍需优化。该研究为低光增强任务提供了兼顾理论创新与实用价值的解决方案，尤其对自动驾驶夜间环境感知具有重要应用意义。