基于噪声感知分解与自适应校正的非均匀低光照图像增强方法研究

本文提出了一种创新的噪声感知分解与自适应校正方法（NDAC），通过噪声感知图像分解网络（NIDNet）将非均匀低光照图像（NLI）分解为光照、反射和噪声分量，并结合非线性自适应亮度映射函数（NABM）实现零样本条件下的联合去噪、低光增强和高光抑制。该方法在公开和工业数据集上均优于现有技术，为计算机视觉任务提供了高质量的图像预处理方案。

　　

亮点

本研究首次将深度学习与Retinex分解及自适应亮度校正创新性结合，通过噪声感知分解网络（NIDNet）和自动光增强网络（ALENet），在零样本条件下同步实现去噪、低光增强和高光抑制，突破了传统方法在非均匀低光照图像（NLI）处理中的局限性。

方法学

亮度分布基方法

非均匀低光照图像（NLIs）的灰度分布常集中于低强度区域。直方图均衡化虽能重新分配像素强度，但可能导致局部对比度过高或噪声放大。

方法论

本节首先阐述问题建模，随后提出NDAC框架（图2）。其核心包括：1）基于混合零参考损失函数的NIDNet，通过可变梯度算子抑制反射分量噪声；2）NABM函数，由ALENet优化参数以动态调节光照。

实验结果与分析

在公开和工业数据集上的实验表明，NDAC在定性与定量评估中均超越现有方法（如RRDNet和LLFlow）。分解阶段噪声抑制效果显著，NABM对光照的非线性映射有效避免了过曝光。

结论

NDAC通过NIDNet和ALENet的协同作用，为工业检测（如夜视监控和自动驾驶）提供了高鲁棒性的图像增强方案，且无需配对训练数据。

作者贡献声明

黄建才：概念设计、软件实现、初稿撰写；姜兆辉：基金支持、监督指导；刘行健：资源协调、论文修订；陈业鹏：形式化分析；桂卫华：项目管理。

利益冲突声明

作者声明无财务或个人关系影响本研究。

致谢

感谢国家重点研发计划（2024YFB4708400）、国家自然科学青年基金（62403498）及湖南省科技创新计划（2024RC1007）的资助。

（注：翻译部分严格遵循生命科学领域专业性，保留原文技术术语如Retinex、NABM等，并采用生动表述如"突破局限性""协同作用"等；去除了文献引用标识[1][2]及图注Fig.1；上下标使用²⁰²⁴规范呈现。）