基于图像分解与深度神经网络的低光照图像增强方法研究及其在视觉感知中的应用

（编辑推荐）本文创新性地融合图像分解（MSCSC多尺度卷积稀疏编码）与深度展开网络（ADMM框架），提出无需成对数据训练的增强模型。通过引入Tikhonov正则化和无噪分解误差项，在保持Retinex理论可解释性的同时，实现光照层（FFT解析）与反射层（CNN去噪器）的协同优化，为低光图像（LLIE）处理提供兼具算法透明度与自适应性的新范式。

　　

亮点

本研究通过整合传统图像分解技术与深度学习优势，构建了具有物理可解释性的低光增强框架。不同于依赖大量配对数据的端到端黑箱模型，我们的方法仅需单张输入图像即可实现自适应增强。

研究方法

提出新型三阶段优化模型：

1. 1.

   光照建模：采用Tikhonov正则化约束光照平滑性，通过快速傅里叶变换（FFT）实现高效求解

2. 2.

   反射层解析：应用多尺度卷积稀疏编码（MSCSC）捕捉纹理细节，预训练网络自动学习最优字典

3. 3.

   噪声抑制：嵌入CNN去噪器作为ADMM子模块，动态消除低光图像中的噪声伪影

技术突破

• 首创将深度展开网络与MSCSC结合，网络层与优化迭代形成严格数学对应

• 创新性无噪分解误差项设计，显著提升模型在极端低照度下的鲁棒性

• 通过端到端训练自动获取正则化参数，摆脱传统方法的手动调参局限

实验验证

在LOL、MIT-Adobe FiveK等基准数据集上，本方法在PSNR（峰值信噪比）和SSIM（结构相似性）指标上平均提升2.3dB/4.7%，尤其在噪声抑制和色彩保真度方面展现显著优势。可视化结果证实其能有效恢复暗区细节而不产生光晕伪影。

结论与展望

当前工作成功搭建了连接传统图像处理与深度学习的桥梁，未来计划：

1. 1.

   拓展到多模态医学影像增强

2. 2.

   开发轻量化移动端部署版本

3. 3.

   探索自监督训练策略以进一步提升泛化能力

作者贡献声明

第一作者Yao Xiao负责算法设计、代码实现与论文撰写；通讯作者Youshen Xia指导理论框架构建与实验验证。本研究获国家自然科学基金（62276140）等资助。