[37]17.370.664.68RetinexDIP16.290.626.51泛化能力評價RetinexDIP對單張圖像迭代增強(qiáng)，不具備傳統(tǒng)意義上的泛化能力：（1）RetinexDIP采用無監(jiān)督學(xué)習(xí)方法，它直接對單張低光圖像進(jìn)行操作，通過優(yōu)化損失函數(shù)來分解和增強(qiáng)圖像。這種特性使其不依賴于大規(guī)模標(biāo)注數(shù)據(jù)集，因此特別適合在數(shù)據(jù)稀缺的情況下應(yīng)用。（2）RetinexDIP的設(shè)計目標(biāo)是針對單張圖像的增強(qiáng)，而不是在多種不同場景下進(jìn)行統(tǒng)一的模型訓(xùn)練。因此，它更注重對單張圖像的細(xì)節(jié)增強(qiáng)和光照調(diào)整，而不是在不同類型的圖像上保持一致的性能表現(xiàn)。（3）傳統(tǒng)的泛化能力通常指模型在未見過的數(shù)據(jù)上保持穩(wěn)定性能的能力，這通常需要大量的多樣化的數(shù)據(jù)進(jìn)行訓(xùn)練。RetinexDIP由于采用無監(jiān)督的單圖像迭代方式，沒有在大規(guī)模數(shù)據(jù)集上進(jìn)行監(jiān)督學(xué)習(xí)，因此不具備傳統(tǒng)意義上的廣泛泛化能力。模型結(jié)構(gòu)對比實(shí)驗(yàn)優(yōu)化模型對比實(shí)驗(yàn)本文的低光圖像增強(qiáng)框架參考了2021年Zhao等人提出RetinexDIP框架。本文模型稱為RetinexDIP-Opt，和RetinexDIP模型都是DIP的具體實(shí)現(xiàn)。RetinexDIP-Opt和RetinexDIP模型結(jié)構(gòu)不同，是對RetinexDIP模型的優(yōu)化，而且解決了RetinexDIP模型增強(qiáng)效果不穩(wěn)定問題。原論文的RetinexDIP模型結(jié)構(gòu)細(xì)節(jié)如下圖所示：RetinexDIP模型結(jié)構(gòu)REF_Ref198137132\r\h圖4.6可以看到RetinexDIP整體為三層編碼器-解碼器結(jié)構(gòu)。RetinexDIP的核心為下采樣模塊和上采樣模塊，這兩個模塊包含了一種類似于殘差連接的結(jié)構(gòu)。這種殘差連接和ResNet的基本殘差塊不同，即：當(dāng)前層的輸入為前面所有層輸出的累加。RetinexDIP的多級殘差塊設(shè)計其主要目的是通過跳躍連接將輸入直接傳遞到后續(xù)層，從而緩解梯度消失或爆炸問題，并幫助模型更有效地學(xué)習(xí)特征。RetinexDIP-Opt的增強(qiáng)效果改進(jìn)對比圖如下圖所示：RetinexDIP-Opt增強(qiáng)效果對比圖(1)RetinexDIP-Opt增強(qiáng)效果對比圖(2)REF_Ref198145539\r\h圖4.7的(a)，(b)和(c)中都可以看到RetinexDIP存在非常嚴(yán)重的局部區(qū)域過曝光問題，影響圖像整體質(zhì)量和真實(shí)性。REF_Ref198145379\r\h圖4.8的(d)可以看到RetinexDIP存在色彩失真問題，樹葉是過于鮮艷的藍(lán)綠色，失去了原本的自然色彩和細(xì)節(jié)。(e)中教堂的公示牌存在陰影，教堂主體的紅色磚墻顏色有些偏淺，色彩的還原度不夠高。(f)中同樣會出現(xiàn)過曝光問題，而且路燈光源處形成了明顯的光暈和過亮區(qū)域。以上這些問題在RetinexDIP-Opt的增強(qiáng)結(jié)果圖像中均未存在。RetinexDIP-Opt有效地解決了過曝光問題，具有更穩(wěn)定、高質(zhì)量的圖像增強(qiáng)效果。而且RetinexDIP-Opt在圖像自然度、色彩飽和度和細(xì)節(jié)恢復(fù)方面均優(yōu)于RetinexDIP。注意力模塊消融實(shí)驗(yàn)相比原論文的RetinexDIP模型，RetinexDIP-Opt模型最大的不同點(diǎn)是在解碼器結(jié)構(gòu)中增加了注意力模塊。為了驗(yàn)證注意力模塊對增強(qiáng)效果的影響，這里選擇在DICM數(shù)據(jù)集上對比去除注意力模塊的RetinexDIP的低光圖像增強(qiáng)效果。注意力模塊對Retinex低光圖像增強(qiáng)的影響REF_Ref198145579\r\h圖4.9可以看到在Gamma值都設(shè)置為0.7時，去除注意力模塊的RetinexDIP-Opt的增強(qiáng)圖像放大區(qū)域的細(xì)節(jié)模糊，噪點(diǎn)明顯，而且細(xì)節(jié)相對模糊，尤其是在放大區(qū)域（如行星和地面）。(c)去除注意力模塊的RetinexDIP-Opt在圖像邊緣會出現(xiàn)條狀的噪聲。在有注意力機(jī)制的情況下，圖像增強(qiáng)效果表現(xiàn)出了更多的細(xì)節(jié)和更清晰的結(jié)構(gòu)。對比結(jié)果證明了RetinexDIP-Opt的注意力模塊不可或缺。注意力模塊可以穩(wěn)定模型的增強(qiáng)結(jié)果，進(jìn)一步提升了模型的極限性能。總結(jié)與展望設(shè)計總結(jié)考慮到低光圖像的帶來的較差視覺觀感和計算機(jī)視覺算法部署的局限性，本設(shè)計基于Retinex理論與深度學(xué)習(xí)方法進(jìn)行低光圖像增強(qiáng)，本論文的主要工作：（1）采用RetinexDIP低光圖像增強(qiáng)框架，結(jié)合生成式深度學(xué)習(xí)模型，將Retinex分解問題轉(zhuǎn)化為無監(jiān)督的生成任務(wù)。通過隨機(jī)初始化的深度網(wǎng)絡(luò)，從單張低光圖像中分離反射分量與光照分量。（2）多目標(biāo)損失函數(shù)：設(shè)計多目標(biāo)損失函數(shù)來指導(dǎo)Retinex分解。（3）光照圖像調(diào)整：利用伽馬校正調(diào)整光照分量，結(jié)合Retinex原理重建增強(qiáng)圖像。（4）實(shí)驗(yàn)驗(yàn)證：在多個公開數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證，評估增強(qiáng)效果（包括主觀增強(qiáng)效果和客觀增強(qiáng)效果）。通過與原論文的RetinexDIP模型進(jìn)行對比，驗(yàn)證了RetinexDIP-Opt模型的優(yōu)越性。消融實(shí)驗(yàn)驗(yàn)證RetinexDIP-Opt模型結(jié)構(gòu)的有效性。未來工作展望本設(shè)計的RetinexDIP低光圖像增強(qiáng)框架在數(shù)據(jù)集上表現(xiàn)較好，與其他低光圖像增強(qiáng)模型對比也占有優(yōu)勢，但在實(shí)際應(yīng)用中仍然存在缺陷：（1）當(dāng)Gamma值較大時，灰度值較低的區(qū)域可能會出現(xiàn)噪點(diǎn)（極限性能）。（2）損失函數(shù)設(shè)計過于簡單，可能不能準(zhǔn)確估計光照圖和反射圖。（3）模型訓(xùn)練時間過長，需要消耗大量算力資源。后續(xù)工作會針對性地彌補(bǔ)這些缺陷，進(jìn)一步提升RetinexDIP框架的增強(qiáng)性能。參考文獻(xiàn)JiaX,FangS,ZhouS,etal.ALow-lightImageEnhancementMethodBasedonImprovedU-NetArchitectureforNighttimeTrafficSceneImageRecovery[C]//中國公路學(xué)會,中國航海學(xué)會,中國鐵道學(xué)會,中國航空學(xué)會,中國汽車工程學(xué)會.2024世界交通運(yùn)輸大會(WTC2024)論文集（水上運(yùn)輸與交叉學(xué)科）.SchoolofInformationEngineering,Chang'anUniversity;,2024:442-449.AosimanA,AbulijiangA,AbulikemuA,etal.MedicalImageEnhancementAlgorithmBasedonHistogramEqualizationandDyadicWaveletTransform[C]//InternationalAssociationofAppliedScienceandEngineering.Proceedingsofthe20203rdInternationalConferenceonComputerScienceandSoftwareEngineering(CCSE2020).CollegeofMathematicalSciencesXinJiangNormalUniversity;CollegeofMathematicsXinJiangTeacher'sCollege;,2020:187-191.HanG,PingW,JunK.ColorenhancementandimagedefogginginHSIbasedonRetinexmodel[J].BeijingInstituteofTechnology(China);XidianUniv.(China);Xi'anInstituteofOpticsandPrecisionMechanics(China);Univ.ofWisconsin-Madison(UnitedStates),2015,9622962203-962203-8.趙珂潔.基于多尺度和注意力機(jī)制的圖像去霧算法研究[D].西安理工大學(xué),2024.WeiC,WangW,YangW,etal.Deepretinexdecompositionforlow-lightenhancement[J].2018,arXiv:1808.04560.顧梅花,丁夢玥,董曉曉.改進(jìn)RetinexNet的低光照圖像增強(qiáng)方法[J].西安工程大學(xué)學(xué)報,2025,39(02):84-92.CaiY,BianH,LinJ,etal.Retinexformer:One-stageRetinex-basedTransformerforLow-lightImageEnhancement[C]//ProceedingsoftheIEEE/CVFInternationalConferenceonComputerVision.2023:649-666.ZhangR,IsolaP,EfrosAA.ColorfulImageColorization[J].EuropeanConferenceonComputerVision.2016:649-666.ZhaoZ.J.,XiongB.S.,WangL.,OuQ.F.,YuL.,KuangF.RetinexDIP:Aunifieddeepframeworkforlow-lightimageenhancement[J].IEEETransactionsonCircuitsandSystemsforVideoTechnology,2022,32(3):1076-1088.汶怡春.基于模型先驗(yàn)的低照度圖像增強(qiáng)方法研究[D].西安理工大學(xué),2024.LandEH,McCannJJ.Lightnessandretinextheory[J].JournaloftheOpticalSocietyofAmerica,1971,61(1):1–11.孫浩翔.基于深度學(xué)習(xí)和Retinex理論的低照度圖像增強(qiáng)算法研究[D].南京信息工程大學(xué),2024.JobsonDJ,RahmanZ,WoodellGA.PropertiesandPerformanceofaCenter/SurroundRetinex[J].IEEETransactionsonImageProcessing,1997,6(3):451-462.JobsonDJ,RahmanZ,WoodellGA.AMultiscaleRetinexforBridgingtheGapBetweenColorImagesandtheHumanObservationofScenes[J].IEEETransactionsonImageProcessing,1997,6(7):965–976.JobsonDJ,RahmanZU,WoodellGA.AnautomatedmultiScaleRetinexwithColorRestoration[C]//ProceedingsoftheSPIE.1996,2726:144-154.ShahV.AIModelsforWildlifePopulationDynamics:MachineLearningvs.DeepLearning[J].JournalofBasicandAppliedResearchInternational,2025,1-12.HeK,ZhangX,RenS,SunJ.DeepResidualLearningforImageRecognition[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.2016:770-778張好徽.基于多特征融合殘差網(wǎng)絡(luò)和時空混合網(wǎng)絡(luò)的結(jié)構(gòu)健康監(jiān)測算法研究[D].南昌大學(xué),2024.RonnebergerO,FischerP,BroxT.U-Net:ConvolutionalNetworksforBiomedicalImageSegmentation[C]//MedicalImageComputingandComputer-AssistedIntervention-MICCAI2015.2015:234-241.古東鑫.基于多尺度特征融合的醫(yī)學(xué)圖像分割[D].陜西科技大學(xué),2023.UlyanovD,VedaldiA,LempitskyV.DeepImagePrior[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.2018:9446–9454.孟東東.基于Retinex理論和深度學(xué)習(xí)的低照度圖像增強(qiáng)[D].南京信息工程大學(xué),2024.陳人和,賴振意,錢育蓉.改進(jìn)的生成對抗網(wǎng)絡(luò)圖像去噪算法[J].計算機(jī)工程與應(yīng)用,2021,57(05):168-172.吳鵬飛.基于Retinex理論和深度學(xué)習(xí)的低照度圖像增強(qiáng)研究[D].南京郵電大學(xué),2023.RahmanS,RahmanMM,Abdullah-Al-WadudM,etal.Anadaptivegammacorrectionforimageenhancement.[J].EURASIPJ.ImageandVideoProcessing,2016,2016(1):1-13.陳紅陽,曾上游,趙俊博.基于Retinex改進(jìn)的低照度圖像增強(qiáng)網(wǎng)絡(luò)[J].計算機(jī)應(yīng)用與軟件,2025,42(01):158-166.Wang,S.H.,Zheng,J.,Hu,H.M.andLi,B.(2013)NaturalnessPreservedEnhancementAlgorithmforNon-UniformIlluminationImages.IEEETransactionsonImageProcess,22,3538-3548.蘭崇嘉.基于深度學(xué)習(xí)的眼底圖像分割算法研究[D].遼寧科技大學(xué),2023.蘇慶華,牟建宏,梁文輝,等.用于目標(biāo)檢測的多頭混合自注意力機(jī)制[J].激光與光電子學(xué)進(jìn)展,2025,62(06):379-390.Wang,Z.,Bovik,A.C.,SheikhH,R.andSimoncelli,E.P.(2004)ImageQualityAssessment:FromErrorVisibilitytoStructuralSimilarity.IEEETransactionsonImageProcess,13,600-612.Mittal,A.,Soundararajan,R.andBovik,A.C.(2013)Makinga“CompletelyBlind”ImageQualityAnalyzer.IEEESignalProcessLetters,20,209-212.Fu,X.Y.,Zeng,D.L.,Huang,Y.,Zhang,X.-P.andDing,X.(2016)AWeightedVariationalModelforSimultaneousReflectanceandIlluminationEstimation.2016IEEEConferenceonComputerVisionandPatternRecognition,Vegas,27-30June2016,2782-2790.Yang,W.H.,Wang,S.Q.,Fang,Y.M.,Wang,Y.andLiu,J.(2020)FromFidelitytoPerceptualQuality:ASemi-SupervisedApproachforLow-LightimageEnhancement.2020IEEE/CVFConferenceonComputerVisionandPatternRecognition,Seattle,13-19June2020,3060-3069.Guo,X.J.,Li,Y.andLing,H.