基于查找表和定向去噪的协同无监督低光照图像增强

《Pattern Recognition》:Collaborative unsupervised low-light image enhancement with lookup tables and targeted denoising

【字体: 大 中 小 】 时间:2026年10月22日 来源:Pattern Recognition 9.1

编辑推荐:

   •两阶段无监督低光增强框架,可同时处理两种特定退化问题,并利用光照先验信息为后续的定向去噪提供指导。•创新地将 Retinex 分解与 LUT 相结合,应用于反射分量,强调结构保持能力。•曝光感知损失函数,根据亮像素比例动态调整目标,抑制过曝现象,并隐式指导 LUT 生成。•

  
  • •
    两阶段无监督低光增强框架,可同时处理两种特定退化问题,并利用光照先验信息为后续的定向去噪提供指导。
  • •
    创新地将 Retinex 分解与 LUT 相结合,应用于反射分量,强调结构保持能力。
  • •
    曝光感知损失函数,根据亮像素比例动态调整目标,抑制过曝现象,并隐式指导 LUT 生成。
  • •
    光照自适应去噪,根据光照分布自适应地去除噪声,同时保持结构完整性。

引言

在低光条件下拍摄的图片通常存在可见度差、对比度低和严重噪声等问题,这些问题会显著影响人类的视觉感知以及下游视觉任务。与其他图像复原问题类似 [1], [2], [3], [4], [5],低光图像增强(LIE)旨在通过减轻退化因素的影响来恢复具有视觉意义的图像内容,从而提升图像质量。近年来,数据驱动方法 [6], [7], [8], [9], [10], [11], [12], [13], [14] 利用深度神经网络从大规模训练数据中学习内容感知的增强映射,展现出了令人振奋的性能。例如,Chen 等人 [7] 将 Retinex 理论 [15] 与卷积神经网络相结合,以估计和细化光照图。尽管取得了上述成功,但大多数监督方法严重依赖于配对的低光/正常光照图像,而在现实场景中收集这些数据极具挑战性。
为避免对配对数据的依赖,研究者提出了大量基于无监督深度学习的方法 [16], [17], [18], [19], [20], [21]。虽然这些方法提高了实际应用性,但大多数方法仍然面临在亮度增强、噪声抑制和结构保持之间的权衡问题。如图 1 所示,SCI [17]、Zero-DCE [20] 和 CLIP-LIT [22] 等方法虽然实现了较强的亮度增强,但存在严重的噪声残留和结构边缘断裂的问题。
相比之下,优先考虑稳定性的模型,如 RUAS [18] 和 COLIE [23],往往无法实现自然的曝光效果,其边缘响应仍然较弱,强度直方图仍集中在低强度范围。这反映了一个根本性局限:当前的无监督低光增强方法无法有效地解耦并联合优化光照、噪声和结构之间的矛盾需求。这些观察促使我们提出一个统一的框架,利用物理先验来解决这些权衡问题,从而在复杂光照条件下实现干净的纹理和完整的结构。
因此,我们提出了一种协作式无监督低光增强框架,结合基于 Retinex 的光照估计、基于 LUT 的增强和基于 BSN 的去噪,以协同且光照引导的方式实现亮度增强、曝光控制和自适应噪声抑制。我们框架的一个关键优势在于有效利用了各阶段内部和跨阶段的光照信息。在增强阶段,估计的光照图通过根据场景的光照分布提供自适应亮度目标和区域权重来指导曝光调节,从而避免对已经明亮的区域进行过度增强。在去噪阶段,同一光照图被重新利用为引导先验,在明亮区域保持结构,而在噪声通常更为严重的暗区域应用更强的去噪处理。通过这种方式,光照先验在整个流程中充当共享线索,从而实现更为均衡的增强与去噪效果。
具体而言,我们的方法首先基于 Retinex 理论估计光照图并推导反射分量。为实现非线性亮度增强,我们采用了一个轻量级的基于 LUT 的模块,并由一种新颖的光照感知曝光损失函数进行引导。该损失函数将光照图划分为亮区和过曝区,分配自适应目标和权重,以改善全局对比度的同时抑制过曝现象。为解决增强过程中不可避免放大的噪声问题,第二阶段引入了 R-BSN,一个无监督去噪模型。关键在于,该阶段将第一阶段的光照图转化为保护掩码,选择在亮区域保留纹理,同时在暗区域消除密集噪声。这种跨阶段协作确保了可见度增强与结构完整性之间的最优平衡。实验结果表明,我们的框架通过创新的跨阶段信息传递机制,在各种真实世界低光条件下始终能够提供语义忠实的增强结果,如图 1 所示。
综上所述,我们的主要贡献如下:
(1)我们提出了一种用于无监督低光图像增强和去噪的协作式两阶段框架,有效平衡了亮度增强、曝光控制和噪声抑制;
(2)我们将 Retinex 分解与可学习的光照引导 LUT(I-LUT)相结合,并设计了一种曝光感知损失函数,以内容自适应的方式调节增强强度;
(3)我们利用光照分布与噪声强度之间的相关性,开发了一种区域感知去噪策略,在暗区域抑制噪声的同时保持亮区域的结构细节;
(4)在五个基准数据集上的大量实验证明了所提方法的有效性,该方法与最先进的无监督方法相比表现优异,并与监督方法保持竞争力。
本文其余部分组织如下。第 2 节综述现有的无监督方法和基于 LUT 的增强方法,第 3 节介绍 Retinex 理论、1D-LUT 和盲点网络的理论初步知识。第 4 节详细介绍了所提出的无监督框架,重点关注光照感知增强模块和区域感知去噪模块。第 5 节展示了定量和定性实验结果以及消融研究,以验证我们方法的有效性。最后,第 6 节总结全文并讨论未来的研究方向。

章节摘要

无监督增强

为了有效增强真实世界中的低光图像,由于正常光照的配对图像难以获取或缺失,无监督方法正变得越来越流行。例如,RRDNet [19] 和 RUAS [18] 设计了基于 Retinex 理论的优化模型来描述分解结果的内在结构。Zero-DCE [20] 引入了零参考深度曲线估计,并训练了一个轻量级深度网络,以高阶曲线作为输出,随后利用这些曲线

Retinex 理论

根据 Retinex 理论,观测到的图像可以分解为两个分量,即反射分量和光照分量。在数学上,观测到的低光图像 I 可以表示为 I=R⊙L 其中 R、L 和 ⊙ 分别表示反射分量、光照分量和逐元素乘法。Retinex 模型假设 I 保持不变且不会衰减,这在低光场景中会导致偏差。在暗环境下的高 ISO 成像设置会引入复杂的噪声,并且

方法

为了解决低光增强中增强与去噪目标之间的内在冲突,我们设计了两个阶段的框架。借鉴协作策略 [30], [31], [32],我们的方法使每个模块能够专注于单一目标,如图 2 所示。在第一阶段,我们引入了一个光照估计模块(IEM),用于提取全局光照图。然后,一个可学习的 I-LUT 被应用于反射分量,以执行细粒度的逐像素色调

实验

在本节中,我们首先介绍了我们的协作式增强和去噪网络的实现细节、数据集和评价指标。随后,我们展示了我们的方法与最新的 SOTA 技术(包括监督和无监督方法)的定性和定量评估结果。最后,我们进行了消融研究,以展示集成到我们方法中的各个组件和损失函数的有效性。

结论

在本文中,我们提出了一种面向真实世界低光增强的无监督方法,包含一个光照感知增强阶段和一个区域感知盲点网络阶段。该协作框架旨在提升亮度和对比度的同时缓解过曝问题并减轻放大的噪声。具体而言,通过利用基于 Retinex 的分解,我们的方法将反射分量从光照中分离出来作为粗糙结果,并利用可学习的 I-LUT 执行像素级非线性调整,

CRediT 作者贡献声明

崔金:撰写——审阅与编辑,撰写——初稿,可视化,验证,项目管理,方法论,调查研究,形式分析,数据整理,概念构思。范林伟:撰写——审阅与编辑,监督,资源,方法论,资金获取。李慧宇:监督,资源,方法论。白子硕:数据整理。李雷:监督。张才明:资源。

利益冲突声明

作者声明不存在任何已知的竞争财务利益或个人关系,这些情况可能会影响本文所报告的工作。

致谢

我们感谢所有匿名审稿人提出的宝贵建议。本工作部分得到了国家自然科学基金(编号 62576193、62507030 和 62506208)、山东省自然科学基金(编号 ZR2025MS985、ZR2026MS1006 和 ZR2024QF305)、山东省泰山学者项目(编号 tsqn202507240)、山东省高校青年创新团队科技支撑计划
崔金于 2025 年获得中国山东财经大学硕士学位。目前她正在中国上海同济大学计算机科学与技术学院攻读博士学位。她的研究领域包括深度学习和图像复原。
崔金|范林伟|李慧宇|白子硕|李雷|张才明
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