RDANet：一种基于Retinex分解注意力机制的低光照图像增强网络

《Pattern Recognition Letters》：RDANet: Retinex decomposition attention network for low-light image enhancement

低光图像增强方法RDANet通过软门控像素级级联注意力模块和改进的Retinex分解模型，有效提升对比度、亮度和细节，抑制噪声。

　　

高星云|张伟波|庄培贤|赵文毅|张卫东

河南科技大学信息工程学院，新乡453003，中国

摘要

在低光照条件下，由于照明不足，图像质量显著下降，导致细节丢失、对比度降低和颜色失真。为了解决这些问题，我们提出了一种基于Retinex的低光照图像增强方法，称为RDANet。首先，我们采用了一种软门控的像素级级联注意力模块来计算每个像素与其相邻像素之间的响应差异。通过将通道维度的全局信息与像素级别的局部显著性相结合，该模块能够实现更精确的特征调制，有效增强细节恢复并抑制噪声。随后，我们使用改进的Retinex分解模型将预处理后的图像精确地分离为光照和反射率分量，从而便于噪声抑制和细节保留。大量实验表明，RDANet在感知质量和定量指标方面均优于现有方法。

引言

低光照图像增强是计算机视觉领域的一个重要研究课题[1]，[2]，在自动驾驶、视频监控、医学成像等领域有广泛的应用。然而，在低光照环境下拍摄的图像通常亮度不足[3]，对比度降低，颜色失真，噪声放大，严重限制了其在下游任务中的可用性。因此，开发有效的低光照图像增强算法仍然是该领域的一个重大挑战。

现有方法大致可以分为传统算法[4]，[5]，[6]和基于深度学习的方法[7]，[8]，[9]，[10]。传统方法依赖于物理模型或图像统计特性，包括直方图均衡化[11]和基于Retinex的技术[12]等。例如，韩等人[13]定义了一种基于累积概率的低质量密度方法，以实现灰度直方图的均匀分布。傅等人[14]利用改进的先验模型和交替优化算法有效地估计了图像的光照和反射率。然而，这些方法难以适应复杂场景中的不均匀照明和噪声放大。近年来，基于深度学习的方法取得了显著进展[15]，[16]，[17]。这些方法通常分为监督学习[18]，[19]，[20]和无监督学习[21]，[22]。基于监督学习的方法利用配对数据建立直接映射。朱等人[23]提出了Ghillie方法，通过生成不同强度的多个光源从多个方向照亮图像来模拟正常的光照分布。Lore等人[24]提出了一种堆叠稀疏去噪自编码器的变体，通过学习合成低质量图像的特征模式来自适应地增强图像亮度。李等人[25]结合了分层4D-LUT来增强3D-LUT的感受野，并进行全局调整以加快推理速度。监督学习方法对配对数据的依赖性显著增加了其实际应用的复杂性。相比之下，无监督学习方法[26]，[27]通常通过生成伪标签或使用对抗学习技术来训练模型。吴等人[28]通过隐式学习图像的“正确光照”版本来模拟逆向渲染过程，从而获得更合理的亮度。蒋等人[29]整合了自正则化感知损失，并采用尺度判别策略从输入图像中提取信息进行自监督学习。李等人[30]通过逐像素估计高阶曲线动态调整图像的光照范围。刘等人[31]提出了一种启发式的Retinex反卷积架构方法（RUAS），通过构建低光照图像的内在结构模型并采用无参考学习策略。然而，这些方法都面临着严重依赖数据对的问题。

本文提出了一种新的低光照图像增强方法。首先，我们应用注意力机制进行初步处理，重点优化全局亮度和显著区域。随后，我们引入了一种Retinex分解模型，该模型结合了多尺度光照建模，以更有效地捕捉图像的真实颜色信息，从而增强对比度、亮度和细节保留。图1展示了在几种低光照场景下的增强效果。本工作的主要贡献总结如下。

• •
  我们提出了一种软门控的像素级级联注意力（SGPA）模块，它以级联方式结合了全局通道依赖性和局部像素显著性。这种设计逐步增强特征响应，同时避免完全抑制弱信号，从而实现关键区域和结构细节的精细感知和重建。
• •
  我们提出了一种新的Retinex分解方法，允许光照和反射率分量在网络中共享部分特征信息，避免了独立优化导致的不稳定性，同时增强了亮度、对比度和细节保留。

方法部分

方法论

我们在图2中展示了我们的方法流程图。RDANet主要由注意力机制和Retinex变分技术组成。首先使用深度卷积层进行去噪，强调轻量级预处理策略。接下来，引入了“软门控”注意力机制（SGPA），以避免直接抑制负信号和低强度正信号，从而在暗区域实现有效响应并保留更多潜在细节

实验与分析

我们在SICE [32]和LOL [37]数据集上对RDANet与八种领先的LLIE方法进行了全面的定性和定量评估。此外，我们还进行了消融研究来评估RDANet的有效性。另外，我们从LLIV-Phone [38]数据集的Pixel3子集中随机选择了320张图像进行无参考评估。LLIV-Phone数据集是一个用于低光照图像和视频增强的综合真实世界数据集，其中捕获的

结论

本文提出了一种结合注意力机制和先进Retinex分解模型的低光照图像增强技术。该网络通过集成注意力机制，能够专注于图像的关键区域，在低光照条件下有效提取重要特征。改进的Retinex分解模型增强了光照和反射率分量，显著提高了亮度、对比度和细节表现。实验结果

CRediT作者贡献声明

高星云：撰写——原始草稿，可视化，软件，概念化。张伟波：撰写——审稿与编辑，撰写——原始草稿，项目管理，数据管理。庄培贤：可视化，软件，项目管理，资金获取。赵文毅：撰写——原始草稿，可视化，方法论，概念化。张卫东：软件，方法论，资金获取，形式分析。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本工作部分得到了国家自然科学基金（项目编号：62403066、61971444）的支持，部分得到了河南省博士后基金的支持，部分得到了河南省重点专项科研开发计划（项目编号：242102210075）的支持，部分得到了河南省科技研发联合基金项目（项目编号：235200810066）的支持，以及中国博士后科学基金项目的支持