综述：基于图的方法在社交网络中的谣言检测：一项系统性回顾

《Expert Systems with Applications》：Graph-based approaches for rumor detection in social networks: a systematic review

提出基于可微分直方图的自监督Retinex增强方法DHURE，通过分析真实场景光照直方图分布，解决低光照图像增强依赖配对数据或人工先验的难题，实现高保真色彩保留和全局亮度优化。摘要110字内，无格式。

　　在当前的低光照图像增强（LIE）研究中，许多方法依赖于昂贵的配对低光照和正常光照数据集，而无监督方法则通常依赖于人工设计的先验知识来构建网络结构或选择相似的正常光照图像作为伪参考。这些方法在处理复杂低光照场景时，往往表现出有限的泛化能力和稳定性。为了解决这些问题，本文提出了一种新颖的可微分直方图引导的无监督Retinex增强方法，称为DHURE。该方法通过利用现实世界场景中的光照直方图分布，实现了高保真度的颜色保持和多样极端低光照图像中的亮度分布优化。DHURE避免了对特定场景特征的依赖，并能够有效捕捉图像中的细节特征与整体亮度信息。具体而言，DHURE由两个核心组件构成：第一，其轻量级架构由Retinex分解和光照增强组成，其中Retinex分解应用于配对低光照图像（PRD），并设计了光照直方图引导增强（IHE）模块。这两个模块均采用轻量级架构。第二，为了充分利用配对低光照图像中固有的自适应先验知识，我们引入了自监督反射率图损失，该损失与Retinex基础损失相一致。基于现实世界正常光照图像的光照分布，我们定义了两种无监督光照直方图损失，使得增强更加通用和稳定。大量的实验表明，我们的方法在性能上与现有的无监督LIE方法相比具有竞争力，并在大多数评估指标上表现出更优的结果。本文的源代码可在GitHub上找到，地址为https://github.com/yoonyin/DHURE-main。

低光照条件下的图像通常具有较低的对比度和较差的视觉清晰度，这对图像处理和分析带来了显著挑战。无论是从视觉体验还是从计算任务的角度来看，低光照图像的增强都是一个重要的研究方向。传统方法通常依赖于优化模型，如直方图均衡化和伽马校正。直方图均衡化通过调整像素强度分布来增强对比度，而伽马校正则使用非线性变换来提升图像亮度。然而，这些方法在处理复杂低光照场景时效果有限，容易导致颜色失真和噪声增强。随着深度学习的快速发展，许多基于深度学习的方法被提出，用于解决低光照图像增强问题。这些方法通常依赖于额外的信息，如信号噪声比、图像结构或语义先验，以引导增强过程。例如，某些方法使用预设的直方图均衡映射先验来指导增强，而另一些方法则通过自适应先验进行Retinex分解，以提高增强效果。然而，这些方法仍然存在一些局限性，如对特定场景的依赖、增强过程中的不稳定性以及对伪参考图像的选择敏感。

为了克服上述问题，本文提出了一种基于可微分直方图引导的无监督Retinex增强方法，称为DHURE。该方法通过利用现实世界场景中的光照直方图分布，实现了对低光照图像的高效增强，同时避免了对特定场景特征的依赖。在实际摄影过程中，人们可以使用颜色图来判断照片的曝光准确性。因此，本文采用Retinex理论将低光照（或正常光照）图像分解为光照图，并通过直方图分析来观察图像中的亮度分布。观察发现，来自不同数据集的正常光照图像通常具有相似的光照分布，主要集中在中等强度范围内。相应地，其低光照版本则表现出类似的分布，但整体偏移。极端低光照条件下，光照分布更加集中，而中度暗场景则表现出更宽的分布范围。基于这一观察，本文采用从正常光照图像中统计得到的光照直方图，以优化低光照图像的亮度分布，从而实现对多种场景类型的高保真度光照增强。

为了实现这一目标，本文设计了DHURE，该方法通过在配对低光照图像上进行Retinex分解（PRD）和光照增强（IHE）来引导无监督增强。PRD部分受到Fu等（2023b）的启发，采用轻量级卷积网络对配对低光照图像进行处理，以获得Retinex分解结果。值得注意的是，本文中的“配对低光照图像”指的是同一场景中不同光照强度的图像对，而不是监督方法中常见的“低光照到正常光照”图像对。这种配对图像更容易获取，且在实际应用中展现出更高的可行性，相较于获取理想的正常光照参考图像，后者需要专业摄影设备、特定技能以及对真实标签的主观质量评估。这些配对低光照图像可以高效地从监控视频、移动摄影数据集和视频流等多种来源中收集，从而实现大规模的自动化数据采集，且对人工干预的需求较低。此外，本文的方法仅在训练阶段需要配对低光照图像，在实际部署阶段则可以独立处理单张低光照图像，这使得其在移动摄影、自动驾驶和监控系统等广泛的实际应用场景中具有较高的可扩展性。

在方法设计上，本文提出了一种基于自监督分解学习的方案，利用Retinex理论对配对低光照图像进行约束，从而学习图像的内在属性，而不是依赖特定的正常光照参考。这种方法能够有效捕捉图像中的不变特征，使得在处理不同现实场景中的低光照图像时，增强效果更加稳定和可靠。对于PRD部分，本文设计了自监督反射率图损失，该损失通过保留相邻区域的结构差异，并确保配对反射率图的整体一致性，以提高分解质量。IHE部分则利用了能够捕捉低光照特征的光照信息，并通过参考光照直方图进行引导，以生成增强后的光照图。然而，传统的直方图操作是非可微分的，这使得深度学习方法难以直接嵌入。受到Avi-Aharon等（2023）的启发，本文设计了一个额外的可微分直方图层（Hist）。Avi-Aharon等（2023）主要关注于RGB颜色空间中风格图像与输入图像之间的像素直方图匹配，以实现颜色传输任务。相比之下，本文的方法在光照域中进行操作，而非RGB颜色空间，因此需要专门的预处理步骤，通过Retinex分解提取光照图，再进行直方图计算。与原始框架依赖于单张图像参考匹配不同，本文提出了一种从多个数据集中统计得到的光照直方图，作为增强的稳健先验。这种直方图不仅能够有效克服参考依赖方法的局限性，还通过与Retinex分解约束的结合，形成了一种基于Retinex的增强框架，该框架能够确保增强后的光照分布接近正常光照分布，同时保持反射率的一致性，从而实现无参考的增强效果，并展现出卓越的跨数据集泛化能力。

此外，本文还设计了两种新的基于光照直方图的损失函数，这些损失函数基于概率分布，以实现更精细和全面的亮度增强。通过这些损失函数，我们的方法能够在不同的光照条件下，更有效地优化图像的亮度分布，同时保持颜色的准确性。与传统的无监督方法相比，DHURE不仅在增强效果上具有显著优势，而且在计算效率和模型泛化能力上也表现出色。在实验部分，本文使用了四个测试数据集（LOLv1、SICE、LOLv2-Syn和HUAWEI）进行对比，同时引入了四个无标签、非均匀光照图像数据集（DICM、LIME、MEF和VV）以进一步评估方法的性能。实验结果表明，DHURE在多个评估指标上均优于现有无监督LIE方法，展现出良好的增强效果和广泛的适用性。

在实际应用中，低光照图像增强对于许多领域都具有重要意义。例如，在移动摄影中，用户常常在低光照环境下拍摄，而增强后的图像能够提供更清晰的细节和更自然的颜色表现。在自动驾驶领域，低光照条件下的视觉感知对于安全驾驶至关重要，增强图像有助于提高系统对周围环境的识别能力。在监控系统中，低光照图像增强能够提升图像的可读性，从而增强图像分析的准确性。因此，DHURE不仅能够满足这些实际需求，还为低光照图像增强提供了一种新的思路和方法。通过结合Retinex理论和可微分直方图技术，DHURE能够在不依赖特定场景特征和正常光照参考的情况下，实现高效的图像增强，这为未来的低光照图像处理研究提供了重要的参考价值。

从方法论的角度来看，DHURE的框架如图2所示。该方法首先对配对低光照图像进行Retinex分解（PRD），然后基于参考光照直方图进行光照增强（IHE）。在PRD阶段，我们采用轻量级卷积网络对配对低光照图像进行处理，以获得更精确的分解结果。这些分解结果不仅能够保留图像的细节信息，还能够确保反射率的一致性，从而为后续的光照增强提供可靠的输入。在IHE阶段，我们设计了一个轻量级网络，并引入了可微分直方图层，以实现对光照分布的优化。该直方图层能够捕捉低光照图像的特征，并在增强过程中提供有效的指导。通过这种方式，我们的方法能够在不依赖任何外部参考的情况下，实现高质量的图像增强。

在实验验证方面，本文进行了大量的对比实验，以评估DHURE的性能。实验结果表明，DHURE在多个数据集上的表现均优于现有无监督LIE方法，特别是在亮度分布优化和颜色保持方面。此外，本文还分析了不同光照条件下DHURE的增强效果，以验证其在极端低光照场景中的适用性。通过引入自监督损失函数，我们的方法能够在不依赖人工设计的先验知识的情况下，实现对图像的自动增强。这种方法不仅提高了增强的稳定性，还增强了模型的泛化能力，使其能够适应不同光照条件下的图像处理需求。

综上所述，DHURE是一种新颖的无监督低光照图像增强方法，其核心思想是利用现实世界中的光照直方图分布，通过Retinex分解和光照增强相结合的方式，实现对低光照图像的高效增强。该方法避免了对特定场景特征和正常光照参考的依赖，提高了模型的泛化能力和稳定性。通过引入自监督损失函数和可微分直方图层，DHURE能够在不依赖任何外部数据的情况下，实现高质量的图像增强。实验结果表明，DHURE在多个数据集上的表现优于现有方法，展现出良好的增强效果和广泛的适用性。本文的研究不仅为低光照图像增强提供了新的思路，还为未来的图像处理和分析研究提供了重要的参考价值。