基于中心差分卷积的低光照图像增强网络CDCLNet：多曝光策略与高频细节恢复的创新解决方案

为解决现有低光照图像增强方法因忽略高频信息导致细节模糊的问题，研究人员提出基于中心差分卷积(CDC)的CDCLNet网络。该研究通过亮暗掩模多曝光策略、两阶段U-Net架构及创新的CDCM（中心差分卷积模块）与MFAM（多尺度特征注意力模块），在四个公开数据集上实现0.899的结构相似性指数(SSIM)，显著提升夜间计算机视觉任务性能。

　　

在人工智能应用蓬勃发展的今天，高质量图像已成为计算机视觉任务的基石。然而现实环境中，光线不足或相机参数不当常导致图像出现亮度低、细节模糊、噪声显著等问题，这类低光照图像不仅影响视觉体验，更会严重阻碍目标检测、人脸识别等下游任务的性能。尽管传统方法如伽马校正(GC)、直方图均衡化(HE)和Retinex理论能部分改善图像质量，但面对复杂噪声时往往力不从心。而现有基于卷积神经网络(CNN)和Transformer的深度学习方法又容易忽视高频信息，导致增强后的图像边缘模糊、纹理丢失。这种矛盾促使研究者们不断探索更有效的解决方案。

针对这一技术瓶颈，重庆理工大学的研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果。他们提出基于中心差分卷积的低光照图像增强网络CDCLNet，通过三大核心技术突破传统局限：首先采用亮暗掩模多曝光策略，通过局部和全局自适应变换函数充分挖掘隐藏的高频细节；其次构建两阶段U-Net网络，分别负责多曝光图像融合和噪声抑制；最后创新性地设计CDCM模块结合通道注意力机制，动态平衡中心差分卷积(CDC)与普通卷积(VC)的特征提取比例，同时引入MFAM模块捕捉光照不均匀性。

关键技术方法
研究采用HSV色彩空间分解亮度分量，通过亮/暗掩模生成多曝光序列。网络架构包含两个级联U-Net，第一阶段融合多曝光图像，第二阶段进行去噪增强。CDCM模块通过3×3 CDC提取梯度特征，结合通道注意力加权；MFAM采用7×7组卷积构建多尺度特征金字塔。实验使用四个公开数据集，以SSIM、PSNR等指标评估，训练采用Adam优化器，学习率从0.0001阶梯下降。

研究结果

1. 多曝光策略有效性：通过亮掩模（局部均值指导）和暗掩模（全局均值指导）的协同作用，在LOL-v1数据集上使暗区细节信噪比提升42%。
2. 两阶段网络性能：第一阶段网络融合多曝光图像后，PSNR提高3.2dB；第二阶段网络进一步抑制噪声，SSIM提升0.15。
3. CDCM模块优势：相比传统卷积，CDC能提取更丰富的边缘特征，在MIT-Adobe FiveK数据集上纹理清晰度指标(TI)提高28%。
4. MFAM模块作用：通过通道特异性注意力机制，有效缓解了光照不均匀导致的局部过曝问题。

结论与意义
该研究通过将传统图像处理先验知识与深度学习相结合，开创性地解决了低光照增强中的细节模糊难题。CDCLNet在保持0.39M轻量级参数的同时，在多个基准测试中达到最先进的0.899 SSIM指标。特别值得注意的是，该方法对夜间自动驾驶、医疗影像分析等需要高精度边缘信息的场景具有重要应用价值。尽管存在184.89G FLOPs的计算成本较高的问题，但研究者通过消融实验证实，MFAM模块带来的性能提升远超其计算开销。这项成果不仅为低光照图像处理提供了新范式，其核心模块CDCM的设计思路还可迁移至其他需要高频特征保持的视觉任务中，展现出广阔的跨领域应用前景。