光照引导反射分量估计的零监督弱光图像增强

目的弱光环境下成像质量下降严重制约视觉监控、自动驾驶等高级视觉任务的性能。现有方法虽可提升亮度，但普遍存在过曝抑制不足且依赖成对正常光照数据的问题，限制了其在真实场景中的应用。方法针对这些局限，提出一种基于光照引导反射分量估计的零监督弱光图像增强方法。首先，通过可逆亮度扰动合成训练样本，设计伪曝光生成策略，在不改变图像固有反射率的情况下，生成多种光照样本以摆脱成对监督数据的依赖；其次，设计双域协同注意力去噪模块以抑制背景噪声；然后，利用多层残差卷积与结构对称的U-Net架构协同生成照明图，并利用其深层光照信息对反射分量进行显式引导；最后，通过引导式反射估计实现结构纹理的高保真重建与过曝抑制。结果在LOL、DICM和WildNight-8K数据集上与9种代表性的最新方法进行对比分析。在LOL数据集上，相比Retinexformer和LightenDiffusion，本文方法的自然图像质量评估指标（natural image quality evaluator，NIQE）分别降低0.62和0.92，感知指数（perceptual index，PI）分别降低1.23和0.25；在DICM数据集上，相比Retinexformer和RUAS，本文方法的NIQE分别降低0.11和0.81，PI分别降低0.48和0.72；在WildNight-8K数据集上，相比Retinexformer和EnlightenGAN，本文方法的NIQE分别降低1.32和1.87，PI分别降低0.33和5.98。在YOLOv8目标检测任务中，平均检测精度（mean average precision，mAP@50–95）较原图提升4.60%。结论本文提出的基于光照引导反射分量估计的零监督弱光图像增强方法在多个数据集上取得了领先的客观指标，并能够有效提升下游目标检测任务性能，验证了其在真实弱光应用场景中的价值。