多模态融合引导的Retinex理论低光照图像增强方法研究

为解决低光照图像增强中反射分量信息丢失和单模态信息局限的问题，研究人员提出基于Retinex理论的多模态融合增强方法，结合红外与深度信息设计MMF模块和RCR模块，显著提升图像结构恢复与视觉质量，为复杂场景下的计算机视觉任务提供新思路。

　　

在计算机视觉领域，低光照环境下的图像质量退化一直是亟待解决的难题。由于光线不足，图像常出现对比度下降、噪声增加和细节丢失等问题，这不仅影响人类视觉感知，更对自动驾驶、安防监控等依赖图像分析的场景造成严重阻碍。传统基于Retinex理论或直方图均衡化的方法虽能提升亮度，却易引入噪声放大和色彩失真。近年来，深度学习虽推动了低光照图像增强（LLIE）的发展，但现有方法多依赖单一模态信息，导致恢复图像存在结构偏差或信息缺失。

针对这一挑战，中国的研究团队提出了一种创新性解决方案——多模态融合引导的Retinex增强方法。该研究通过整合红外与深度模态的互补信息，突破了单模态的局限性。红外图像能在低光条件下捕捉场景结构，而深度图则提供三维边界信息，二者协同为反射分量重建提供丰富先验。相关成果发表在《Expert Systems with Applications》，为复杂场景下的图像增强提供了新范式。

研究团队采用三项核心技术：首先，设计多模态融合模块（MMF Module），以低光图像为“桥梁”解决模态差异问题；其次，开发反射分量重建模块（RCR Module），结合自适应特征选择网络（SANet）和全局感知模块（RMNet）；最后，构建多尺度亮度增强模块（MLE Module），通过分层特征提取实现精准亮度调整。实验数据来自LOL-v2-real等基准数据集。

多模态融合模块设计
通过分析模态间分布差异，MMF模块利用低光图像作为中介，将红外与深度特征融合后的分布贴近目标图像，显著优于简单特征相加方法。

反射分量重建优化
RCR模块中，SANet筛选关键多模态特征，RMNet基于Mamba架构的SS2D模块高效融合反射分量，在LOLv2-Real数据集上SSIM指标提升显著。

多尺度亮度恢复
MLE模块通过分层捕获亮度特征，有效平衡光照分量调整，避免过曝或欠曝现象。

该研究的意义在于：首次系统性地将多模态信息引入Retinex框架，通过可解释的模块设计解决反射分量信息丢失这一核心难题。实验表明，该方法在结构恢复（SSIM提升12.7%）和视觉质量（PSNR提高9.3dB）上均超越现有技术，且在下游目标检测任务中表现出强泛化性。作者团队特别指出，该框架可扩展至其他模态组合，为跨模态图像增强研究开辟了新方向。讨论部分强调，未来工作将探索动态模态权重分配及更高效的跨模态交互机制，以进一步提升实时处理能力。