随着轨道交通的快速发展，基于轨道旁摄像机的监测系统已成为实时评估关键列车部件状态的关键传感方式（Song和Schnieder，2018；Song等人，2023）。然而，在复杂的运行环境中，这些基于视觉的系统性能经常受到次优照明的影响（Du等人，2024）。这种不利条件导致信噪比（SNR）下降，表现为亮度不足和结构对比度降低（Y. Wang等人，2025）。这些问题导致关键特征信息丢失，使得捕获的数据不足以进行列车部件故障检测和结构健康监测（Li等人，2021a）。图1显示了正常光照和低光照条件下轨道旁列车图像的统计像素分布。在正常光照条件下（蓝色曲线），像素值分布相对均匀，主要集中在中间灰色范围内。这种分布表明亮度和暗区之间的对比度适中。此外，在灰度值255附近观察到像素频率显著增加，对应于图像的高亮度区域。相比之下，低光照图像的像素分布（红色曲线）集中在低灰度值范围（0到50之间），具有显著高的峰值频率。这表明低光照图像中的大多数像素位于暗区，亮区较少。
这种亮度降低导致对比度降低和细节模糊。这种退化给特征提取过程带来了很大的不确定性，并妨碍了目标的精确检测（Niu等人，2025）。此外，颜色信息的丢失限制了复杂场景中多维传感的鲁棒性。统计分析显示，低光照图像信号的标准差为50.43，均方误差（MSE）为111.20，表明信噪比严重恶化。高噪声水平作为随机干扰，导致检测模型将伪影误认为是有效特征，从而引发误报。
传统的轨道旁图像检测系统通常使用辅助照明设备来补偿相机在低光照条件下的有限性能。然而，引入外部照明设备会增加系统复杂性并降低部署灵活性。此外，配置参数（如安装位置、照明强度和角度）在很大程度上依赖于手动经验，这增加了维护频率。更重要的是，在列车运行过程中，外部照明的变化可能导致局部图像过曝或特征遮挡。这些问题导致关键列车部件的状态表征出现定量误差，从而影响故障检测的准确性（Dong等人，2024）。因此，开发能够有效恢复清晰细节和自然亮度的低光照图像增强技术至关重要。这样的方法是确保自动化轨道旁检测系统运行可靠性的基础，直接有助于在恶劣环境条件下进行高精度故障分析。
在早期的亮度增强研究中，通常使用图像处理技术直接调整图像照明成分。主要方法包括直方图均衡化（Veluchamy和Subramani，2020）和非线性滤波技术（Ding等人，2018），以及伽马校正（Zhou等人，2022）。后续研究探索了使用物理模型（如Retinex（Ma等人，2023）和小波变换（X. Yang等人，2023）来模拟照明过程，以实现更准确的图像内容重建。然而，这些模型在适应不同照明条件方面存在挑战，经常导致整体图像过曝等问题。
近年来，基于深度学习的图像处理方法为列车低光照图像增强提供了新的技术解决方案。与传统的像素亮度调整相比，基于卷积模块的深度神经网络在处理低光照任务时在准确性、适应性和速度方面表现更好（Song等人，2022）。许多研究人员采用了监督学习模式，使用配对的低光照和正常光照数据集训练深度神经网络。然而，获取用于实际低光照增强任务的配对数据集具有挑战性，这通常限制了监督学习算法的性能。为了解决监督学习中训练数据的稀缺问题，一些无监督学习方法被提出（Lee等人，2020）。Zero-DCE估计了一个照明调整曲线，可以直接调整图像的亮度，无需参考图像（Li等人，2021b）。EnlightenGAN使用无监督生成对抗网络架构，结合注意力机制和一致性约束，有效实现了低光照图像的亮度增强，无需配对数据（Jiang等人，2021）。尽管这些方法可以校正低光照图像的亮度，但它们往往忽略了亮度恢复与整体图像质量改善之间的依赖性。因此，它们未能完全解决增强后出现的对比度不平衡和颜色失真等问题，最终影响了图像的视觉效果。
为了解决上述问题，本文提出了一种基于双通道特征融合的列车图像增强方法，适用于低光照条件。本文的主要贡献总结如下：
(1) 提出了一种双循环图像内容学习框架，以实现低光照和正常光照列车图像之间的双向域映射，有效解决了在动态铁路环境中获取配对数据集的挑战。
(2) 开发了一种双通道恢复单元（DCRU），将照明增强与细节恢复分离。通过独立分支处理亮度和细粒度纹理，该单元在恢复结构完整性的同时减轻了噪声放大。
(3) 集成了基于二维离散余弦变换（2D-DCT）的特征融合模块（FFM），动态合并全局结构信息和局部细节，确保增强结果中的自然亮度分布和颜色保真度。
(4) 实验表明，所提出的方法显著提高了下游轨道旁检测任务的性能。
本文的其余部分组织如下：第2节回顾了轨道旁检测工作流程和基于深度学习的增强算法。第3节详细介绍了所提出的低光照增强方法。第4节展示了实验结果和比较分析。第5节评估了该方法对故障检测的影响。最后，第6节总结了本文并讨论了未来的工作。
