基于Retinex引导光照恢复与渐进特征自适应的无人机夜间车辆检测方法

本文提出创新性ReDT-Det网络，通过Retinex理论指导的IFDTB模块实现夜间图像增强（15.24%计算量降低），结合DR-CSP多尺度特征提取与CFAA/SOAF模块（提升小目标检测3.6% mAP），在自建NightDrone-Mix数据集（15,144张标注图像）上达到65.2% mAP，为无人机（UAV）智能交通系统提供高效解决方案。

　　

Highlight

本研究突破性整合Retinex理论与差分Transformer架构，开发出具有双重优势的ReDT-Det系统：1）光照融合差分Transformer块（IFDTB）通过模拟人眼视觉机制（Retinex理论），在抑制噪声同时精准恢复暗区细节；2）独创的渐进式特征融合体系包含三大核心武器——能扩大感受野的DR-CSP模块、实现跨层级"对话"的CFAA模块，以及专治小目标"隐身症"的SOAF模块，使无人机在夜间也能化身"火眼金睛"。

Proposed Method

如同为无人机装上"夜视+显微"双镜头的ReDT-Det，其技术路线分两步走：第一阶段采用IFDT-Enhancer（光照融合差分Transformer增强器），通过Retinex分解将输入图像"解剖"为光照层和细节层，运用差分多头自注意力机制进行精准美颜；第二阶段配备DR-CSP特征提取"探针"和CFAA/SOAF特征融合"神经网络"，形成从像素级修复到目标级识别的完整检测流水线。

Datasets

针对现有无人机数据集"昼多夜少"的短板，我们打造了NightDrone-Mix——这个包含15,144张标注图像的"夜间车辆图鉴"，覆盖城市道路/交叉口等复杂场景，每帧图像都经过严格光照分级（从月光朦胧到霓虹炫光）和尺度标注（61.97%小目标），堪称无人机界的"暗夜挑战赛标准题库"。

Conclusion

ReDT-Det就像给无人机装载了"生物夜视系统"：IFDTB模块模拟视网膜的明暗适应机制，DR-CSP模块仿生视觉皮层多尺度处理特性，而CFAA/SOAF模块则再现大脑皮层特征整合功能。这种仿生+AI的混合架构，在保持62.7 GFLOPs低功耗的同时，实现了从"夜盲症"到"猫头鹰视觉"的跨越。