基于域适应的伪标签引导低光照图像增强

《Journal of Visual Communication and Image Representation》:Pseudo-label guided low-light image enhancement via domain adaptation

【字体: 大 中 小 】 时间:2026年08月30日 来源:Journal of Visual Communication and Image Representation 2.8

编辑推荐:

   •一种伪标签引导的低光图像增强框架。•局部直方图均衡稳定增强训练。•域适应提高图像自然性和一致性。•CLIP高频特征用于对抗学习。•增强图像提高下游分类性能。引言低光图像通常面临光照不足、光线分布不均匀、对比度低以及细节严重退化等问题,这些问题显著降低了感知质量和语义信息保真

  
  • •
    一种伪标签引导的低光图像增强框架。
  • •
    局部直方图均衡稳定增强训练。
  • •
    域适应提高图像自然性和一致性。
  • •
    CLIP高频特征用于对抗学习。
  • •
    增强图像提高下游分类性能。

引言

低光图像通常面临光照不足、光线分布不均匀、对比度低以及细节严重退化等问题,这些问题显著降低了感知质量和语义信息保真度。这些退化不仅影响人类视觉感知,还对下游高级语义任务产生不利影响,例如物体分类、物体检测和场景识别。最近,各种低光图像质量评估方法已被提出[1]、[2]、[3]、[4],实现了图像感知质量和结构保真度的更有效评估。因此,由于低光图像增强(LLE)在夜间摄影、智能监控、自动驾驶和医学成像等应用中的实际重要性,它在计算机视觉和图像处理领域引起了越来越多的关注[5]、[6]、[7]、[8]。
现有的低光图像增强方法通常可分为传统增强方法、有监督学习方法和无监督学习方法[9]、[10]。传统方法主要通过手工图像操作来提高图像可见性,例如对比度调整和直方图均衡[11]。受益于深度学习,有监督增强方法通过学习配对低光/正常光数据集的映射,实现了显著的性能提升。然而,在现实场景中,收集大规模配对数据集成本高昂且困难。为了缓解这一限制,无监督增强方法[12]、[13]、[14]由于其不依赖于配对训练数据而被广泛研究。
尽管现有无监督方法具有灵活性,但它们仍然存在两大主要局限。首先,缺乏可靠的监督往往导致训练过程中优化不稳定和增强结果不一致。其次,许多现有方法主要关注提高图像亮度,而忽视了感知自然性和与真实自然图像的分布一致性[10]、[15]、[16]。因此,增强图像可能出现过度增强、颜色失真或不自然纹理,进一步影响下游语义任务。因此,如何在保持训练稳定的同时生成视觉上自然的低光增强图像仍然是一个具有挑战性的问题。
为了解决上述问题,本文提出了一种结合域适应的伪标签引导低光图像增强框架,称为PLDA-Net。具体而言,采用局部直方图均衡(LHE)[17]生成伪标签,为初步增强训练提供稳定的监督引导,从而缓解由于缺乏配对数据导致的优化不稳定。此外,为了提高增强图像的感知自然性,引入了一种域适应判别网络,以减少增强图像与真实自然图像之间的分布差异。
更具体地说,初步增强的图像被视为源域,而自然图像被视为目标域。采用ResNet50(CLIP)结合高通滤波策略从两个域中提取高频结构特征用于对抗学习。在设计好的损失函数约束下,生成器被逐步优化以产生具有改进自然性、视觉一致性和结构保真度的增强图像。与现有的基于CNN的方法[15]、[18]和基于GAN的方法[10]、[19]不同,所提出的框架联合采用空间一致性损失、曝光控制损失、颜色恒常性损失、光照平滑度损失和稳定性损失,协同改进低光图像质量。
图1展示了所提方法与代表性有监督[20]和无监督方法[12]之间的视觉比较。与现有无监督方法相比,所提框架在亮度改善、噪声抑制和感知自然性方面实现了更均衡的增强结果。虽然使用配对数据训练的有监督方法在某些情况下仍显示出优势,但所提方法在不需要配对监督的情况下实现了具有竞争力的增强性能。这证明了所提伪标签引导和域适应增强框架的有效性和实用性。特别是,与传统增强方法[15]和最近的基于深度学习的方法[10]、[13]、[14]、[16]、[21]相比,所提方法显示出良好的感知质量和跨数据集泛化能力。
  • •
    提出了一种结合域适应的伪标签引导低光图像增强框架,无需配对训练数据即可提高图像质量和下游语义任务性能。
  • •
    引入了一种基于局部直方图均衡的伪标签生成策略,在训练过程中提供稳定的监督引导,有效缓解优化不稳定性并提高模型鲁棒性。
  • •
    设计了一种基于CLIP高频特征的域适应判别框架,以减少增强图像与自然图像之间的分布差异,从而提高感知自然性和视觉一致性。

各章节摘要

相关工作

本节简要回顾了低光图像增强相关的研究工作,包括传统方法和基于深度学习的方法。

方法

本节详细介绍了所提出的PLDA-Net框架,包括网络架构、损失函数和域适应策略。

实验

本节对本文提出的方法进行了全面性能评估,包括低光图像质量增强和模型泛化能力。随后,进行了一系列消融实验以验证所提出的架构设计的有效性。最后,进一步评估了本文模型在下游任务(图像分类)上的有效性。

结论

本文提出了一种基于伪标签和域适应的伪标签引导低光图像增强方法。生成器在伪监督下训练,并使用设计的稳定损失进行优化以确保训练稳定。同时,在判别器中采用域适应策略来使增强图像的分布与自然图像的分布对齐。进一步引入对抗学习以提高视觉质量。实验结果表明

CRediT作者贡献声明

陈寅:撰写——初稿,可视化,验证,软件,资源,项目管理,方法学,调查,正式分析,数据整理,概念化。王宏奎:撰写——审阅与编辑,撰写——初稿,验证,监督,软件,资源,方法学,调查,资金获取,正式分析,数据整理,概念化。周洋:可视化,监督,资金获取,正式分析,数据整理。

利益冲突声明

作者声明他们没有已知的相互竞争的经济利益或个人关系,这些可能影响本文所报告的工作。

致谢

本工作部分由浙江省先锋和领头雁研发计划资助,项目编号2025C01006、2025C01035和2023C01149;部分由国家自然科学基金资助,项目编号62202134。
陈寅|王宏奎|周洋|尹海兵|余正波|李宇|严程刚
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号