基于双范围信息引导的低光照图像增强网络DRIGNet：一种融合全局动态增强与细节聚焦的创新方法

为解决低光照图像增强中存在的特征处理缺乏差异化、色彩失真和细节模糊等问题，研究人员提出双范围信息引导网络DRIGNet。该研究通过构建DGF框架，结合GDEM和DFM模块分别处理长/短程特征，并引入AGFM融合策略，在十大数据集上超越现有SOTA方法，PSNR提升达1.17 dB，为下游视觉任务提供高质量图像基础。

　　

在智能手机普及和安防需求激增的今天，低光照环境下的图像质量退化成为制约计算机视觉应用的瓶颈问题。现有方法如基于Retinex理论的KinD或单模块设计的LLFormer，常因特征处理不当导致光照异常、噪声放大或纹理丢失。这些局限性暴露出传统方法在特征差异化处理和交互机制上的缺陷。

针对这一挑战，国内某高校研究人员在《Displays》发表的研究提出创新性解决方案——双范围信息引导网络DRIGNet。该研究突破性地将图像特征解耦为长程（全局光照/结构）和短程（局部细节）信息，并构建DGF框架实现架构感知的特征处理。通过嵌入通道交互的GDEM模块和三向滤波的DFM模块，分别建模不同范围特征，再经AGFM模块实现互补融合。实验证明该方法在LOL-v2-syn等数据集上PSNR指标提升超1.17 dB，显著改善色彩保真度和细节清晰度。

关键技术包括：1）构建U型DGF框架实现特征解耦；2）采用GDEM模块通过通道交互捕获长程依赖；3）设计DFM模块利用三向滤波提取细节特征；4）开发AGFM模块引导特征融合。研究使用LOL-v1/v2、FiveK等十大数据集验证性能，包含485对训练图像和15对测试图像。

【方法】
DRIGNet通过DGF框架实现双范围信息处理：编码阶段专注长程特征提取，解码阶段强化短程特征恢复。GDEM采用通道注意力机制增强全局结构，DFM通过水平/垂直/对角线滤波捕获纹理细节，AGFM则通过空间注意力实现特征自适应融合。

【结果】
在LOL-v2-real数据集上，DRIGNet的PSNR达到24.68 dB，优于RetinexFormer（23.51 dB）和LLFormer（22.97 dB）。可视化结果显示该方法有效抑制噪声的同时保持边缘锐度，解决了图1所示现有方法的三种典型缺陷。

【结论】
该研究创新性地提出特征解耦与架构协同的设计理念，通过DGF框架实现双范围信息的差异化处理与互补增强。实验证实DRIGNet在定量指标和视觉质量上均超越现有SOTA方法，其模块化设计为低光照图像处理提供了可扩展的解决方案，对自动驾驶、医疗影像等需高精度图像的下游任务具有重要应用价值。