具有照明约束的多尺度低光图像增强网络

在低光环境下捕获的图像通常可视性差，影响许多高级计算机视觉任务。近年来，基于深度学习的一些低光图像增强模型涌现，但尚未有效挖掘图像中的深层多尺度特征，导致模型泛化性能差和不稳定。这些缺陷主要体现在颜色扭曲、颜色饱和度不足和伪影上。目前的方法无法有效调整曝光，导致曝光不均或局部过曝。为了解决这些问题，我们提出了一种端到端的低光图像增强模型，称为具有照明约束的多尺度低光图像增强网络（MLLEN-IC），旨在实现更好的泛化能力和稳定性能。一方面，我们使用压缩-激励-Res2Net模块（SE-Res2block）作为基础单元，通过提取深层多尺度特征来增强模型能力。另一方面，为了使模型在低光图像增强任务中更具适应性，我们通过低光本身计算照明约束，以防止过曝、不均匀曝光和颜色不饱和。大量实验表明，MLLEN-IC不仅能够调整光照水平，还具有更自然的视觉效果，避免了颜色扭曲、伪影和曝光不均等问题。特别是，MLLEN-IC在泛化能力和稳定性方面表现良好。源代码和补充材料可在 https://github.com/CCECfgd/MLLEN-IC 获取。