Transformer architecture with illumination aware mechanisms for low-light image enhancement via Retinex decomposition

Zixuan Wang

doi:10.1016/j.engappai.2025.112414

Transformer architecture with illumination aware mechanisms for low-light image enhancement via Retinex decomposition

10.1016/j.engappai.2025.112414

2025-09-27

0

PRE

AI

原文链接

0求助

应助

摘要

En 中文

增强低光图像是一项复杂的任务，不仅涉及恢复亮度，还需保持色彩保真度并减少噪声干扰。本文提出了一种具有光照感知机制（Illumination Aware Mechanisms）的基于Retinex理论的Transformer模型（TIMRetinex-Net），通过受Retinex理论指导的分解网络实现可物理解释的建模。为适应不同区域的光照变化，我们随机对光照分量中的多个子区域应用伽马变换，并使用颜色估计模块（Color Estimation Module）捕捉反射分量中自然场景的颜色全局分布。通过协同建模颜色全局分布和修复退化区域，我们缓解了模型训练时对数据使用高度敏感的问题，并提升了模型处理未知场景的能力。光照与反射调整Transformer网络（IRAT-Net）生成增强图像，实现细节与色彩的均衡增强。此外，IRAT-Net在特征提取层引入注意力机制，并加入光照引导信息聚合模块（Illumination-Guided Information Aggregation Module）以自适应地估计光照条件。在图像处理领域，我们基于人工智能的方法在五个数据集上进行评估，并与十二种当前最先进方法进行比较。结果表明，该方法与真实值高度一致，在主观和客观评估中均取得更优性能。

Transformer architecture with illumination aware mechanisms for low-light image enhancement via Retinex decomposition

摘要

期刊

学者

机构

引用论文

被引论文