2025 SOTA 暗光增强降噪新方法：基于深度学习的低光照图像增强实战

1次阅读

没有评论

共计 1621 个字符，预计需要花费 5 分钟才能阅读完成。

在低光照环境下拍摄的图像通常会遇到几个关键问题：

噪声放大 ：由于光线不足，相机传感器需要提高 ISO 感光度，导致图像中出现明显的噪声（如高斯噪声、泊松噪声）
细节丢失 ：暗部区域信息被压缩，导致纹理和边缘模糊
色彩失真 ：低光条件下白平衡失效，出现色偏现象

传统方法（如直方图均衡化、小波变换）往往只能解决单一问题——增强亮度时噪声被放大，降噪时又损失细节。这种 trade-off 关系成为低光增强的核心难点。

基于 Retinex 理论的方法 ：对噪声敏感，容易产生光晕伪影
滤波去噪 + 增强的级联方案 ：处理流程割裂，存在误差累积
传统机器学习方法 ：依赖手工特征，泛化能力有限

端到端学习 ：直接从数据中学习噪声分布和细节重建的联合表示
非线性建模能力 ：通过深层网络捕捉复杂的光照 - 噪声关系
自适应处理 ：对不同光照条件具有鲁棒性

采用双分支混合架构，包含：

噪声估计子网络
使用轻量级 UNet 结构
输出噪声分布图（Noise Map）
采用残差连接保持梯度流动
细节增强子网络
基于 Transformer 的编码器 - 解码器结构
集成通道注意力模块（CBAM）
多尺度特征融合设计

两阶段训练 ：先预训练噪声估计网络，再联合微调

复合损失函数 ：

loss = 0.5*L1_loss + 0.3*SSIM_loss + 0.2*Perceptual_loss

数据增强 ：模拟不同 ISO 噪声水平的数据扩增

import torch
import torch.nn as nn
from torchvision.models import vgg16

class NoiseEstimationUNet(nn.Module):
    """噪声估计子网络"""
    def __init__(self):
        super().__init__()
        # 编码器部分
        self.enc1 = nn.Sequential(nn.Conv2d(3, 32, 3, padding=1),
            nn.BatchNorm2d(32),
            nn.LeakyReLU(0.2)
        )
        # ... 其他层定义

    def forward(self, x):
        # 实现前向传播
        return noise_map

class DetailEnhancer(nn.Module):
    """细节增强网络"""
    def __init__(self):
        super().__init__()
        self.patch_embed = PatchEmbed()  # 自定义 patch 嵌入层
        self.transformer_blocks = nn.ModuleList([TransformerBlock(embed_dim=256) for _ in range(6)
        ])
        # ...

# 复合损失函数实现
class CompositeLoss(nn.Module):
    def __init__(self):
        super().__init__()
        self.l1 = nn.L1Loss()
        self.vgg = VGGFeatureExtractor()

    def forward(self, pred, target):
        # 计算各分量损失
        return total_loss

在 SID 数据集上的定量结果：