无训练自适应低光图像增强框架:基于解耦HSV空间优化与双IQA引导

《Electronics》:A Training-Free Adaptive Low-Light Image Enhancement Framework via Decoupled HSV Optimization and Dual-IQA Guidance

【字体: 大 中 小 】 时间:2026年08月30日 来源:Electronics 2.9

编辑推荐:

  本研究提出一种由元启发式优化算法(metaheuristic optimization algorithm, MOA)与上下文感知双图像质量评估(image quality assessment, IQA)引擎驱动的无训练、自包含自适应低光图像增强(low-l

  
本研究提出一种由元启发式优化算法(metaheuristic optimization algorithm, MOA)与上下文感知双图像质量评估(image quality assessment, IQA)引擎驱动的无训练、自包含自适应低光图像增强(low-light image enhancement, LLIE)框架。尽管基于深度学习的方法推理速度快,但其静态参数在分布外(out-of-distribution, OOD)场景(如未见过的传感器噪声或环境变化)中常出现严重性能下降。为弥合这一泛化鸿沟,所提框架在解耦的HSV颜色空间中运行,专门针对亮度(V)通道,将图像增强建模为实例特定的优化任务。研究人员引入一种新型混合Log-Gamma映射函数,从数学上统一了对数压缩的局部暗区拉伸能力与幂律伽马曲线的全局动态范围调节能力,从而大幅扩展变换空间的表达能力。为在无参考图像的情况下约束参数收敛,多阶段低光图像判别(Low-Light Image Discrimination, LLID)引擎通过计算上下文相关的截尾偏度残差与全局强度均值对输入帧进行分类,有效缓解高光偏置。在正常光照条件下,群智能引擎通过基于补丁的对比度质量指数(Patch-based Contrast Quality Index, PCQI)优化Log-Gamma系数以最大化结构保真度;相反,在严重低光退化条件下,该框架利用盲/无参考图像空间质量评估器(Blind/Referenceless Image Spatial Quality Evaluator, BRISQUE)来最小化空间伪影。借助海洋捕食者算法(Marine Predators Algorithm, MPA),该框架在连续有界空间中迭代搜索,以微调专属于每幅图像的参数矩阵。在四个基准数据集(Bicycle、DF1000、DICM和VV)上的实证评估验证了所提范式的有效性。所提出的变体OLG-MPA在内部算法消融中取得最高平均秩(3.1),并在与四种最先进深度网络的比较中获得有竞争力的全局平均秩,性能与领先的数据驱动模型相当。尽管进化优化循环带来平均每帧延迟,该实例特定范式成功地将即时处理速度换取了绝对的域适应性与可预测、无伪影的图像恢复。
该研究论文发表在《Electronics》上。针对真实环境中低光图像增强(LLIE)面临的泛化难题,研究人员提出了一种完全无训练、自包含的自适应增强框架。现有深度学习方法虽推理迅速,但其静态参数在分布外(OOD)场景,例如未见过的传感器噪声或环境变化下,往往性能严重下降;而传统物理模型依赖手工先验,统计映射又缺乏实例级适应性。为此,研究人员将图像增强重构为实例特定的优化问题:在解耦HSV颜色空间中仅对亮度(V)通道进行建模,引入混合Log-Gamma映射统一对数压缩与幂律伽马曲线,并以海洋捕食者算法(MPA)逐帧搜索最优参数。其核心意义在于,在不依赖离线训练数据的前提下,实现了与主流数据驱动模型相当
相关新闻
生物通微信公众号
微信
新浪微博

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