并行多尺度特征递归学习的低照度图像增强

来源：计算机工程与应用杂志2025年第16期北京时间：

作者：王璐雪, 王晓霞, 李翔, 陈晓

单位：陕西科技大学 电子信息与人工智能学院，西安 710021

摘要：针对在低照度条件下拍摄的图像存在的如细节和纹理信息模糊或缺失、色彩失真、噪声污染严重等退化问题，提出基于并行多尺度特征递归学习（parallel multi-scale feature recursive learning，PMRL）的图像增强方法。通过从粗到细的递归学习策略从退化的输入图像中逐步学习恢复映射，使照度更接近于真实光照；提出一种表示融合机制，使不同阶段之间的特征可以进行信息交换，以抑制噪声和伪影；引入捕获上下文信息的双重注意力表示特征提取模块，得到更丰富的图像细节信息；根据灰度世界颜色恒定性假设，提出半监督的感知损失来自适应地提高增强效果，保持颜色分布的一致性。在公开数据集LOLv1和LOLv2上的实验结果表明，相较于ZeroDCE++、DRBN和MIRNet等网络，峰值信噪比提高了8.18%~55.59%，结构相似性提高了5.42%~53.44%，验证了该方法的优越性。

关键词：低照度图像增强,递归学习,多尺度特征融合,注意力机制