基于雙重迭代的零樣本低照度圖像增強(qiáng)

向 森 王應(yīng)鋒 鄧慧萍 吳 謹(jǐn) 喻 莉

①(武漢科技大學(xué)信息科學(xué)與工程學(xué)院 武漢 430080)

②(華中科技大學(xué)電子信息與通信學(xué)院 武漢 430074)

1 引言

隨著計(jì)算設(shè)備性能的提高及人工智能算法的進(jìn)步，計(jì)算機(jī)視覺(jué)已經(jīng)廣泛應(yīng)用于各領(lǐng)域，但一些惡劣環(huán)境下的視覺(jué)任務(wù)仍面臨著挑戰(zhàn)。近年來(lái)許多學(xué)者提出了去霧、去雨、去模糊，水下圖像和低照度圖像增強(qiáng)等相關(guān)算法[1–5]，其中低照度圖像增強(qiáng)以恢復(fù)場(chǎng)景有效信息和提升視覺(jué)感知質(zhì)量為目標(biāo)，其技術(shù)方案可分為傳統(tǒng)方法和深度學(xué)習(xí)方法。

傳統(tǒng)方法主要有直方圖均衡化(HE)、基于Retinex理論的方法以及基于去霧模型的方法。直方圖均衡化基于圖像的統(tǒng)計(jì)規(guī)律將較暗的像素值映射到整個(gè)亮度空間，如Pizer等人[6]和Ibrahim等人[7]提出的自適應(yīng)直方圖均衡及其改進(jìn)版。直方圖均衡化簡(jiǎn)單高效且具有一定的視覺(jué)增強(qiáng)效果，但它缺乏物理模型支撐，限制了其準(zhǔn)確性。Retinex理論將圖像分解為光照?qǐng)D和反射圖，對(duì)光照?qǐng)D進(jìn)行增益，再和反射圖一起重建出正常光照的圖像?；赗etinex理論，Rahman等人[8]提出了多尺度Retinex方法，Guo等人[9]提出了Retinex快速優(yōu)化算法。Li等人[10]在Retinex的基礎(chǔ)上引入噪聲分量，同步實(shí)現(xiàn)增亮和去噪。然而，Retinex模型側(cè)重提升圖像亮度，而忽略了色彩保持，產(chǎn)生顏色失真。近年來(lái)，圖像去霧的思想被引入到低光圖像增強(qiáng)的研究中并催生了相應(yīng)的方法。Dong等人[11]將低照度圖像反相得到偽霧圖，進(jìn)行去霧之后再次反相以生成正常光照?qǐng)D像。陳勇等人[4]分別從偽霧圖和低光圖中獨(dú)立地估計(jì)透射率和大氣光值以提升圖像質(zhì)量。此類(lèi)方法利用了去霧算法的優(yōu)勢(shì)，但經(jīng)常存在過(guò)曝等問(wèn)題。

近年來(lái)，基于深度學(xué)習(xí)的圖像增強(qiáng)方法被陸續(xù)提出并展現(xiàn)了良好的性能。Lore等人[12]首次將深度學(xué)習(xí)應(yīng)用于圖像增強(qiáng)，提出了自編碼器低光增強(qiáng)網(wǎng)絡(luò)。特別是該項(xiàng)工作中構(gòu)建了首個(gè)“偽低光數(shù)據(jù)集”，通過(guò)伽馬變換建立了正常光照和低光照的配對(duì)圖像以進(jìn)行監(jiān)督學(xué)習(xí)。Wei等人[13]提出了基于Retinex理論的增強(qiáng)網(wǎng)絡(luò)，并構(gòu)建了第1個(gè)實(shí)拍的低照度圖像增強(qiáng)數(shù)據(jù)集，通過(guò)調(diào)整相機(jī)成像參數(shù)獲取同一場(chǎng)景的低光和正常光的圖像對(duì)。Ren等人[14]將低照度圖像增強(qiáng)過(guò)程細(xì)化為內(nèi)容流和邊緣流，分別使用CNN(Convolutional Neural Network)和RNN(Recursive Neural Network)學(xué)習(xí)內(nèi)容特征和邊緣特征，該方法的訓(xùn)練數(shù)據(jù)來(lái)源于專(zhuān)家修飾的圖像對(duì)。上述全監(jiān)督學(xué)習(xí)的方法雖然取得了很好的效果，但其數(shù)據(jù)集的生成都需要人工調(diào)整參數(shù)以模擬低照度或者正常光照環(huán)境，使得樣本分布和真實(shí)采集的圖像存在差距，制約了模型在真實(shí)環(huán)境下的普適性。

相對(duì)于全監(jiān)督學(xué)習(xí)，無(wú)監(jiān)督及零樣本學(xué)習(xí)通過(guò)圖像自身的約束來(lái)構(gòu)建網(wǎng)絡(luò)和損失函數(shù)，而并不依賴(lài)低照度-正常光照?qǐng)D像對(duì)，因而日漸受到了更多的關(guān)注。Jiang等人[15]基于GAN(Generative Adversarial Network)提出了EnlightenGAN，該方法在非配對(duì)的低光和正常光圖像域之間建立映射以實(shí)現(xiàn)無(wú)監(jiān)督訓(xùn)練。Guo等人[16]提出Zero-DCE方法，其使用CNN估計(jì)出高階的光照增強(qiáng)曲線來(lái)改善圖像質(zhì)量，然而其依賴(lài)多曝光度的圖像來(lái)進(jìn)行訓(xùn)練。Zhu等人[17]基于帶噪聲分量的Retinex模型提出了3分支網(wǎng)絡(luò)來(lái)估計(jì)單張低曝光圖像的反射分量、光照分量及噪聲分量，并通過(guò)迭代優(yōu)化實(shí)現(xiàn)零樣本學(xué)習(xí)。這些無(wú)監(jiān)督或零樣本方法在泛化能力上相對(duì)于全監(jiān)督的方法有非常大的改善，但在圖像的亮度提升、偏色、偽影以及所依賴(lài)的訓(xùn)練數(shù)據(jù)等方面依然有提升的空間。

綜上所述，基于深度學(xué)習(xí)的方法相對(duì)于傳統(tǒng)方法能取得更高質(zhì)量的增強(qiáng)效果，但全監(jiān)督的學(xué)習(xí)方法面臨著難以獲得監(jiān)督樣本集以及過(guò)擬合的問(wèn)題，而無(wú)監(jiān)督及零樣本方法仍然存在亮度提升不足，顏色偏差及依賴(lài)非配對(duì)數(shù)據(jù)集等問(wèn)題。針對(duì)上述問(wèn)題，本文提出了基于雙重迭代的零樣本低照度圖像增強(qiáng)方法，該方法在不依賴(lài)任何先驗(yàn)訓(xùn)練集的條件下比其他低照度圖像增強(qiáng)方法在亮度提升和顏色恢復(fù)方面取得了更好的性能。本文的主要貢獻(xiàn)如下：

(1) 提出了一種基于雙重迭代的零樣本低照度圖像增強(qiáng)方法。外層迭代進(jìn)行參數(shù)估計(jì)并傳給內(nèi)層，由內(nèi)層迭代實(shí)現(xiàn)具體的圖像增強(qiáng)，其結(jié)果反饋控制外層網(wǎng)絡(luò)模型進(jìn)行參數(shù)更新。該方法為零樣本學(xué)習(xí)，且訓(xùn)練和推理過(guò)程融為一體，通過(guò)閉環(huán)迭代使得網(wǎng)絡(luò)收斂的同時(shí)也生成了增強(qiáng)圖像，因此既擺脫了對(duì)大量訓(xùn)練集的依賴(lài)，也具有良好的魯棒性與普適性。

(2) 針對(duì)低照度圖像的特點(diǎn)，提出了多尺度增強(qiáng)系數(shù)估計(jì)網(wǎng)絡(luò)模塊(Multi-scale enhancement Coefficient Estimation Module, MCEM)和基于注意力的大氣光值估計(jì)網(wǎng)絡(luò)模塊(Attention-based Atmospheric Light Estimation Module, ATEM)，二者所得參數(shù)控制內(nèi)層迭代，從而更加精細(xì)地控制了圖像增強(qiáng)的質(zhì)量。

(3) 設(shè)計(jì)了用于網(wǎng)絡(luò)優(yōu)化的一系列無(wú)監(jiān)督損失函數(shù)，基于圖像亮度、色彩均衡、大氣光值及平滑性等先驗(yàn)和約束，在零樣本的條件下完成對(duì)網(wǎng)絡(luò)的訓(xùn)練，并保證了增強(qiáng)圖像的質(zhì)量。

2 低照度圖像的雙重迭代增強(qiáng)

2.1 優(yōu)化大氣散射模型

大氣散射模型最早用于模擬霧霾圖像的成像過(guò)程，近年來(lái)也有學(xué)者將其用于水下圖像增強(qiáng)[18]和低照度圖像增強(qiáng)任務(wù)[4,19]。低光照條件下的大氣散射模型可表示如式(1)

t(x)=e-θ(λ)(d+dt)

其中，是將光的散射吸收和距離衰減合并考慮得到的綜合透射率，J(x)是需要從采集所得的J0(x)中恢復(fù)出的正常圖像，由式(2)可推導(dǎo)J(x)的恢復(fù)公式為

為了估計(jì)1/t(x)同時(shí)簡(jiǎn)化模型，本文將1/t(x)表示為J0(x)的線性映射，即1/t(x)=A(x)J0(x)+b，其中A(x)為像素級(jí)的系數(shù)，b 為常數(shù)偏置?？紤]歸一化圖像J0(x)的值域在[0,1]而系數(shù)A(x)的值域在[–1,1]，故b取為1以保證t(x)的非負(fù)性。為了描述方便，進(jìn)一步省去像素坐標(biāo)，可得恢復(fù)模型公式

式(4)表明，從低照度圖像J0中恢復(fù)出正常光照?qǐng)D像J，本質(zhì)上是將J0乘上系數(shù)A進(jìn)行增益，再和大氣光值E進(jìn)行一系列線性運(yùn)算，而增強(qiáng)的關(guān)鍵在于準(zhǔn)確估計(jì)增強(qiáng)系數(shù)A和大氣光值E。

2.2 零樣本雙重迭代框架

特別地，本文所提框架屬于零樣本學(xué)習(xí)。如圖1所示，本文的框架中外層迭代、內(nèi)層迭代、權(quán)重更新共同構(gòu)成了閉環(huán)反饋，其中內(nèi)層循環(huán)通過(guò)公式直接計(jì)算，外層循環(huán)由神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，損失函數(shù)采用無(wú)監(jiān)督形式。該框架下輸入任意單幅圖像進(jìn)行迭代時(shí)，外層神經(jīng)網(wǎng)絡(luò)參數(shù)不斷更新，當(dāng)網(wǎng)絡(luò)收斂時(shí)也同步得到了增強(qiáng)圖像。與傳統(tǒng)的深度學(xué)習(xí)不同，本文的零樣本學(xué)習(xí)具有以下兩方面的特點(diǎn)和優(yōu)勢(shì)。一方面，傳統(tǒng)深度學(xué)習(xí)的訓(xùn)練和推理相互獨(dú)立，訓(xùn)練環(huán)節(jié)生成模型參數(shù)，再用于推理環(huán)節(jié)，此過(guò)程依賴(lài)大量的樣本數(shù)據(jù)驅(qū)動(dòng)模型；而本文的零樣本方法構(gòu)成閉環(huán)，訓(xùn)練和推理融于一體，對(duì)單一樣本均可進(jìn)行迭代以得到模型，完成圖像增強(qiáng)的任務(wù)。另一方面，傳統(tǒng)深度學(xué)習(xí)所得模型依賴(lài)樣本的數(shù)據(jù)分布，在不同環(huán)境和場(chǎng)景下難以具有普適性；而本文零樣本方法針對(duì)單張圖片進(jìn)行學(xué)習(xí)，網(wǎng)絡(luò)參數(shù)自適應(yīng)于樣本特性進(jìn)行調(diào)整，在不同的場(chǎng)景下都具有良好的魯棒性。

2.3 內(nèi)層迭代

3 外層迭代

內(nèi)層迭代需要增強(qiáng)系數(shù)Al和大氣光值E兩個(gè)參數(shù)，本文在外層迭代中設(shè)計(jì)了多尺度增強(qiáng)系數(shù)估計(jì)網(wǎng)絡(luò)模(MCEM)和基于注意力的大氣光值估計(jì)模塊(ATEM)，分別對(duì)兩個(gè)參數(shù)進(jìn)行估計(jì)。

3.1 多尺度增強(qiáng)系數(shù)估計(jì)網(wǎng)絡(luò)模塊(MCEM)

如2.1節(jié)所述，低照度圖像增強(qiáng)的一個(gè)核心問(wèn)題是確定以何種增益Al對(duì)原始圖像信號(hào)進(jìn)行放大。然而低照度圖像中的特征較為復(fù)雜，既有大面積的紋理單調(diào)區(qū)域，又有快速變化的紋理細(xì)節(jié)；還可能同時(shí)存在背光等照度極低區(qū)域和天空等高照度區(qū)域。因此，對(duì)原始圖像的增益需要同時(shí)考慮全局特性和局部特性，本文采用多尺度增強(qiáng)系數(shù)估計(jì)網(wǎng)絡(luò)模塊(MCEM)來(lái)解決該問(wèn)題，對(duì)增強(qiáng)系數(shù)Al進(jìn)行估計(jì)。如圖2所示，MCEM模塊以低照度圖像J0作為輸入，估計(jì)出3個(gè)不同尺度的系數(shù)Al=1，Al=2，Al=3。Al=1在全分辨率圖像上利用全卷積網(wǎng)絡(luò)，提取局部細(xì)節(jié)特征；Al=2和Al=3則在1/2和1/4分辨率上通過(guò)卷積和反卷積操作，提取全局特征。此外，3個(gè)尺度下均采用了不同尺寸的卷積核進(jìn)行特性提取和特征合并。多種尺寸的卷積核及不同尺度的下采樣使得網(wǎng)絡(luò)能夠?qū)W習(xí)多尺度的特征信息。同時(shí)，前后兩個(gè)部分經(jīng)過(guò)殘差連接相連以加速網(wǎng)絡(luò)收斂。另外，MCEM模塊的下采樣部分是通過(guò)控制卷積步長(zhǎng)而非池化來(lái)實(shí)現(xiàn)的，在不增加參數(shù)的同時(shí)減少了特征信息的丟失。MCEM模塊的詳細(xì)參數(shù)見(jiàn)表2。

表2 多尺度增強(qiáng)系數(shù)估計(jì)模塊(MCEM)網(wǎng)絡(luò)參數(shù)表

表1 雙重迭代流程

3.2 基于注意力的大氣光值估計(jì)模塊(ATEM)

大氣光值E是本文物理模型中的另一個(gè)重要參數(shù)?，F(xiàn)有文獻(xiàn)中經(jīng)常將大氣光值視為全局常數(shù)[4]，然而實(shí)際的低照度圖像往往存在照度不均勻的現(xiàn)象。如圖3(a)既有地面等逆光低照度區(qū)域，又有天空等正常光照區(qū)域。此類(lèi)場(chǎng)景下采用全局大氣光將導(dǎo)致亮區(qū)過(guò)曝而暗區(qū)增亮不足，產(chǎn)生如圖3(c)所示的不均衡效果。因此，本文充分考慮了區(qū)域之間的差異，提出了基于注意力的大氣光值估計(jì)模塊(ATEM)。該模塊以原始圖像和其反相亮通道共同作為輸入，引入空間注意力和通道注意力機(jī)制以調(diào)節(jié)大氣光值在不同亮度區(qū)域的權(quán)重，從而預(yù)測(cè)像素級(jí)的大氣光值E(x)。反相亮通道圖的生成和暗通道先驗(yàn)[20]類(lèi)似，如式(6)所示，對(duì)像素點(diǎn)x，取其4×4鄰域Φ(x)中最大的單通道像素值作為其反相亮通道值。

3.3 零樣本損失函數(shù)

本文的零樣本學(xué)習(xí)方法無(wú)需監(jiān)督數(shù)據(jù)，而是根據(jù)低照度圖像增強(qiáng)過(guò)程中的內(nèi)在性質(zhì)建立約束關(guān)系，在亮度對(duì)比度、色彩均衡、大氣光、圖像平滑性方面提出無(wú)監(jiān)督損失函數(shù)以?xún)?yōu)化外層迭代的參數(shù)。如圖5所示，小尺寸窗口將引起偽影，而大窗口提取的亮通道接近飽和而引起過(guò)曝；采用大小隨機(jī)的窗口時(shí)，產(chǎn)生的效果更好?；谠撔?yīng)，Lat采用隨機(jī)的可變窗口Φ(x)提取反相亮通道以保證增強(qiáng)效果。

平滑損失函數(shù)：圖像增強(qiáng)在提升亮度的同時(shí)也使得噪聲被劇烈放大，嚴(yán)重影響了視覺(jué)效果。本文對(duì)多尺度增強(qiáng)系數(shù)Al及內(nèi)層迭代圖像Jk添加平滑約束，引入基于全變分的平滑損失函數(shù)Lsm如式(13)

4 實(shí)驗(yàn)與分析

為驗(yàn)證方法的性能，本文進(jìn)行了大量的實(shí)驗(yàn)，從主觀視覺(jué)質(zhì)量和客觀評(píng)價(jià)指標(biāo)兩個(gè)方面分析了實(shí)驗(yàn)結(jié)果，并對(duì)迭代次數(shù)和各損失函數(shù)的有效性進(jìn)行了分析。實(shí)驗(yàn)采用Nvidia GTX 2070 GPU， Intel Core i5-9600K CPU, Tensorflow2.0框架，優(yōu)化器為Adam，學(xué)習(xí)率為α=0.001。主要參數(shù)為w1=3，w2=1,w3=0.4,w4=0.01,β=1,γ=5,η=10–5,μ=150。內(nèi)層迭代輪數(shù)K=6，外層迭代次數(shù)N=300。

4.1 與現(xiàn)有方法的性能對(duì)比

主觀質(zhì)量對(duì)比：本文將所提方法與5種增強(qiáng)方法進(jìn)行了性能比較，包括LIME[9](Retinex傳統(tǒng)方法)、RetinexNet[13](Retinex結(jié)合有監(jiān)督學(xué)習(xí)，嚴(yán)格配對(duì)圖像集)、EnlightenGAN[15](無(wú)監(jiān)督學(xué)習(xí)，非嚴(yán)格配對(duì)圖像集)、Zero-DCE[16](無(wú)監(jiān)督學(xué)習(xí)，多曝光混合圖像集)、RRDNet[17](無(wú)監(jiān)督，零樣本學(xué)習(xí))。本文從LOL-v2[23]測(cè)試集和夜間實(shí)拍圖像測(cè)試集1)夜間實(shí)拍圖像測(cè)試集網(wǎng)址: https://github.com/Feng-wy/Zero-shot-dual-iter-LLE來(lái)評(píng)估算法性能，結(jié)果如圖6和圖7所示。由圖6可知LIME和RRDNet亮度提升不足；RetinexNet亮度提升較好，但存在嚴(yán)重的偽影與顏色失真；EnlightenGAN同時(shí)存在局部區(qū)域亮度不足與偽影的問(wèn)題；Zero-DCE亮度均衡，然而原本較強(qiáng)光照的區(qū)域出現(xiàn)了邊緣偽影。本文方法的結(jié)果在亮度、色彩、對(duì)比度方面都最符合正常光照的成像，也最接近參考圖像。從圖7可看出，在夜間實(shí)拍圖像上5種對(duì)比方法均存在不同程度的偏色、偽影、亮度提升不足等問(wèn)題。而本文方法的結(jié)果對(duì)夜間圖像的亮度提升明顯，且場(chǎng)景中建筑、植被、天空的顏色復(fù)原正常，細(xì)節(jié)表現(xiàn)更清晰。

客觀指標(biāo)評(píng)估：本文還對(duì)增強(qiáng)之后的圖像計(jì)算了7種客觀指標(biāo)以評(píng)價(jià)增強(qiáng)質(zhì)量，包括4種全參考質(zhì)量指標(biāo)：PSNR, SSIM, MAE, VGG16-PFS[24]；以及3種無(wú)參考質(zhì)量指標(biāo)：NIQE[25], SSEQ[26], CEIQ[27]。LOL-v2數(shù)據(jù)集提供參考圖像，可計(jì)算以上全部指標(biāo)；夜間實(shí)拍圖像無(wú)參考圖像，僅計(jì)算無(wú)參考指標(biāo)。其結(jié)果見(jiàn)表3和表4，其中與圖像質(zhì)量正相關(guān)的指標(biāo)以↑表示，反相關(guān)的以↓表示。表3表明，LOL-v2數(shù)據(jù)集上本文方法在PSNR, SSIM, MAE及VGG-Score 4個(gè)全參考指標(biāo)以及無(wú)參考指標(biāo)NIQE上均取得了最優(yōu)性能。在無(wú)參考指標(biāo)CEIQ和SSEQ方面比EnlightenGAN稍微差，這是由于CEIQ和SSEQ主要考察圖像的對(duì)比度、色彩熵等性質(zhì)，而EnlightenGAN會(huì)在明暗變化明顯區(qū)域產(chǎn)生顏色偽影，從而在這兩個(gè)指標(biāo)上取得了較好性能。然而結(jié)合表4和圖7可看出，EnlightenGAN在夜間實(shí)拍低光照?qǐng)D像測(cè)試集上的視覺(jué)效果并不理想。因此，綜合起來(lái)看，本文的方法仍然取得了最優(yōu)性能。

表3 LOL-v2測(cè)試集上不同方法的客觀評(píng)價(jià)指標(biāo)

表4 夜間實(shí)拍圖像測(cè)試集上不同方法的客觀評(píng)價(jià)指標(biāo)

4.2 有效照度容限范圍測(cè)試

本文對(duì)所提算法在不同照度條件下的有效性進(jìn)行了測(cè)試，并確定了算法有效的照度下限。如圖8所示，采集同一場(chǎng)景在不同照度下的圖像并進(jìn)行增強(qiáng)。在極低照度0.2 lx環(huán)境下本文算法能夠恢復(fù)出場(chǎng)景中的物體輪廓信息，3.8 lx下算法能夠恢復(fù)出顏色信息，而在10.5 lx及以上能夠較好地恢復(fù)場(chǎng)景暗處細(xì)節(jié)。

4.3 消融實(shí)驗(yàn)

本文還進(jìn)行了消融實(shí)驗(yàn)以驗(yàn)證各損失函數(shù)的有效性，結(jié)果如圖9和表5所示。圖9中，僅采用Lbc可提升亮度，但存在嚴(yán)重偏色；引入Lcwb之后提升了色彩均衡性。進(jìn)一步加入Lsm約束有助于平滑噪聲和減少偽影；最終加入Lat使圖像亮度更加均衡。表5也表明隨著引入各項(xiàng)損失函數(shù)，結(jié)果圖的PSNR和SSIM逐步提升，證明了各項(xiàng)損失函數(shù)的有效性。

表5 消融實(shí)驗(yàn)結(jié)果

4.4 迭代次數(shù)影響分析

本文采用雙層迭代實(shí)現(xiàn)低照度圖像增強(qiáng)，進(jìn)一步分析了內(nèi)層迭代次數(shù)K和外層迭代次數(shù)N對(duì)增強(qiáng)圖像質(zhì)量SSIM的影響。如圖10所示，當(dāng)N固定時(shí)，SSIM隨著K的增加而提升，這表明內(nèi)層迭代中3個(gè)尺度的系數(shù)Al對(duì)提高圖像的質(zhì)量均有貢獻(xiàn)。當(dāng)K大于等于3時(shí)，SSIM隨K的增加趨于平緩并逐漸收斂，表明繼續(xù)增加內(nèi)層迭代輪數(shù)帶來(lái)的性能提升有限。另外，當(dāng)K固定時(shí)，SSIM隨著N的增加而快速提升，即增加外層迭代輪數(shù)可提升增強(qiáng)效果。當(dāng)N大于50時(shí)，SSIM趨于穩(wěn)定，其曲線逐漸平緩至收斂。同時(shí)，圖10也證明了，本文提出的方法具有良好的收斂性質(zhì)，其結(jié)果經(jīng)過(guò)有限次迭代之后趨于穩(wěn)定。

5 結(jié)束語(yǔ)

本文提出了一種雙重迭代的零樣本低照度圖像增強(qiáng)方法，該方法根據(jù)大氣散射成像模型推導(dǎo)了低照度圖像增強(qiáng)模型，并進(jìn)一步提出了雙重迭代的增強(qiáng)算法。外層迭代通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)增強(qiáng)模型的關(guān)鍵參數(shù)進(jìn)行估計(jì)，內(nèi)層迭代依據(jù)所得參數(shù)提升圖像質(zhì)量，其增強(qiáng)結(jié)果又用于外層網(wǎng)絡(luò)的迭代更新，最終通過(guò)多輪迭代生成高質(zhì)量的圖像。在該框架下，本文還設(shè)計(jì)了多尺度增強(qiáng)系數(shù)估計(jì)模塊和基于注意力的大氣光估計(jì)模塊以提取圖像特征用于增強(qiáng)參數(shù)的估計(jì)。此外，本文還提出了基于亮度對(duì)比度、大氣光、色彩均衡以及圖像平滑性先驗(yàn)的無(wú)監(jiān)督損失函數(shù)。大量實(shí)驗(yàn)結(jié)果和質(zhì)量指標(biāo)表明，本文算法能夠從低照度圖像增強(qiáng)得到清晰的高質(zhì)量圖像，其性能優(yōu)于目前最新的同類(lèi)算法，且該方法不依賴(lài)特定數(shù)據(jù)集，具有良好的魯棒性和普適性。