基于双交叉注意力Transformer的低光照图像增强方法ECAFormer及其在交通场景中的应用

针对低光照图像增强(LLIE)中局部自相似性与长程依赖难以兼顾导致细节丢失的问题，研究人员提出层次化互增强框架ECAFormer，通过双多头自注意力(DMSA)模块实现视觉-语义特征解耦与跨尺度交互，在五个基准数据集上PSNR指标提升3.7%，并构建Traffic-297交通场景数据集，为自动驾驶与夜间监控提供新解决方案。

　　

在计算机视觉领域，低光照环境下的图像采集长期面临细节模糊、色彩失真等挑战，直接影响自动驾驶和夜间监控等关键应用。尽管现有方法如基于Retinex理论的分解网络或两分支架构取得进展，但局部特征与全局依赖的协同建模仍是瓶颈，导致增强后的图像出现细节丢失或伪影。

针对这一难题，来自中国的研究团队在《Engineering Applications of Artificial Intelligence》发表研究，提出创新性解决方案ECAFormer。该工作核心在于构建层次化互增强框架，通过视觉-语义卷积模块生成多尺度特征，利用改进的双多头自注意力(DMSA)实现特征解耦与交互，并结合跨尺度DMSA(CSDMSA)模块强化残差连接。研究同步发布Traffic-297数据集，涵盖复杂交通场景的夜间图像。

关键技术包括：1) U型架构下嵌入DMSA模块实现视觉-语义特征协同优化；2) CSDMSA模块通过跨层残差连接捕获长程依赖；3) 构建包含297张图像的交通场景基准数据集。实验设计覆盖LOL-v1/v2、SID等五个公开数据集，采用PSNR等客观指标评估。

【主要结果】

1. 模型性能：在LOL-v1数据集上PSNR达24.68dB，较次优方法提升3.7%，验证DMSA模块对特征互补的有效性。
2. 消融实验：移除CSDMSA模块导致PSNR下降1.2dB，证实跨层信息整合对细节保留的关键作用。
3. 新数据集验证：Traffic-297测试中，ECAFormer在动态模糊场景下仍保持2.4dB的PSNR优势。

【结论与意义】
该研究通过双交叉注意力机制创新性地解决了LLIE领域特征解耦与融合的平衡问题。ECAFormer的层次化设计既保留CNN的局部特征提取优势，又融合Transformer的全局建模能力，为复杂光照条件下的图像增强提供新范式。Traffic-297数据集的发布填补了交通场景评估空白，对自动驾驶系统在极端环境下的可靠性提升具有实践价值。未来工作可探索多模态传感器数据与ECAFormer的协同增强机制。