低光照图像的双分支特征增强与校准网络

目的低光照图像增强（Low Light Image Enhancement，LLIE）旨在改善低光照条件下的图像质量，在夜间监控、自动驾驶等领域具有重要应用价值。然而，现有方法在sRGB、HSV、YCbCr等色彩空间中常面临亮度-色彩耦合导致的色彩失真与亮度伪影平衡难题。HSV空间存在极坐标量化引起的色彩不连续，YCbCr空间对色度信息处理不足。方法针对上述问题，本文提出一种基于HVI色彩空间的门控卷积双分支增强网络（Gated Convolution Dual-branch Interaction Network，GCDINet）。该网络利用HVI空间的物理解耦特性，将亮度信息与色彩结构信息分离处理。设计了门控卷积特征增强（Gated Convolutional Feature Enhancement，GCFE）模块，通过双路门控激活函数与逐元素乘法生成空间注意力掩码，强化细节区域特征响应。同时，提出了双路径自适应特征校准结构，使用其引导亮度与色彩分量的重建，并抑制由亮度调整引入的噪声和色彩的偏移。结果在LOLv2-Synthetic数据集上，本文方法的峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）、结构相似度（Structural Similarity Index Measure，SSIM）和感知相似性（Learned Perceptual Image Patch Similarity，LPIPS）分别达到25.698db、0.935和0.047。与当前先进LLIE方法Retinexformer相比，三个指标分别提升0.028dB、5.3%和20.3%。同时，计算量为7.94G比Retinexformer降低了50%，达到了与最优方法相比速度与性能的有效平衡。结论所提出的低光照增强方法，融合了双分支结构与HVI色彩空间的优势，从而实现低光照图像增强过程中模型色彩保真度与亮度伪影抑制的平衡能力。