基于噪声感知Transformer的Retinex可插拔式低光照图像增强方法

针对低光照图像增强(LIE)中噪声分布复杂且传统方法局限于高斯噪声假设的问题，研究人员提出了一种结合Retinex理论与可插拔框架(Plug-and-Play)的噪声感知机制(NamPnP)。通过Transformer网络建模未知噪声分布，并引入边缘引导自适应权重矩阵优化光照分量，实现了细节保留与噪声抑制的协同优化。实验表明该方法在公共数据集上定量定性均超越现有技术，为真实场景下的低光图像处理提供了新思路。

　　

在计算机视觉领域，低光照环境下的图像往往伴随着能见度降低、对比度不足和复杂噪声等问题，严重影响后续目标检测等任务性能。传统基于Retinex理论的方法虽能分解光照(L)和反射(R)分量，但普遍将噪声简化为高斯分布，难以应对真实场景中的复杂退化。更棘手的是，现有增强算法常导致亮区过曝或暗区欠增强，而后续去噪过程又会损失纹理细节，形成"增强-失真"的恶性循环。

河南科技学院计算机科学与技术学院的Chenping Zhao团队在《Neurocomputing》发表研究，创新性地将可插拔框架(Plug-and-Play)引入Retinex模型，构建了噪声感知Transformer网络(NamPnP)。该方法通过迭代分解过程获取自适应L/R分量，其中Transformer网络专门处理含未知噪声的R分量，而边缘引导权重矩阵则优化L分量的空间平滑度。实验证明，该方案在保持纹理细节的同时显著提升了噪声抑制能力，为物理模型与数据驱动方法的融合提供了范例。

关键技术包括：1) 基于Retinex的迭代分解框架；2) 集成Transformer的噪声感知网络处理非高斯噪声；3) 边缘引导自适应权重矩阵调控光照平滑；4) 使用PyTorch在Tesla V100S GPU上实现模型训练与测试。

【Proposed model and algorithm】
研究构建了包含TV正则化的Retinex分解模型，其中R分量通过可插拔的Transformer网络进行去噪。该网络通过自注意力机制建模像素间长程依赖，有效捕捉噪声分布特征。针对L分量，设计基于图像梯度的自适应权重矩阵，在边缘区域实施弱平滑以保留结构，在暗区加强平滑抑制噪声。

【Implementation details and experimental results】
在Linux系统PyTorch环境下，使用LOL、MIT-Adobe FiveK等数据集验证。定量指标显示PSNR提升15%，SSIM提高12%，尤其在极暗区域噪声抑制效果显著。视觉对比表明，该方法既能恢复暗部细节，又能避免亮区过增强，且未出现传统方法常见的伪影问题。

【Conclusions】
该研究通过Retinex与可插拔框架的有机融合，实现了模型可解释性与深度网络泛化能力的平衡。Transformer网络对未知噪声的建模能力突破了高斯假设局限，而边缘感知权重策略则解决了光照分量的空间自适应优化难题。这种"白盒+黑盒"的协同框架，为低光照图像处理提供了新的技术路径，对自动驾驶、医疗影像等领域的夜间视觉任务具有重要应用价值。