基于Retinex分解与光照感知Transformer的低光图像增强模型研究及其在视觉信息稳定性中的应用

　　本文提出TIMRetinex-Net模型，通过光照感知机制（Illumination Aware Mechanisms）与Retinex理论融合，采用光照-反射双路径Transformer架构（IRAT-Net）实现低光图像增强。模型创新性引入伽马变换模拟区域光照退化，结合色彩全局分布估计模块（COE Module）与光照引导信息聚合模块（IGIAM），显著提升图像细节保持与色彩保真度，为医学影像分析与计算机辅助诊断提供高可靠性视觉数据支撑。

　　

Highlight

基于Retinex的低光图像增强方法（LLIE）与传统计算机视觉中直接利用传感器成像特性的方法不同（如Qian等2023年工作），其通过增强光照或调整反射分量来提升图像质量。因其理论扎实且实践有效，已成为LLIE领域的经典算法。

Method

本节详细阐述所提方法的整体架构，随后重点讨论三个子网络的技术细节：即大型核注意力分解网络（LKA DecomNet）、色彩估计模块（COE Module）以及光照与反射调整Transformer网络（IRAT-Net）。最后介绍训练阶段采用的损失函数。

Implementation details and data sets

TIMRetinex-Net基于PyTorch框架实现，所有实验在NVIDIA GeForce RTX 3090 GPU上进行。训练按顺序执行LKA DecomNet、COE Module和IRAT-Net，使用Adam优化器（学习率0.0001）。根据历史训练经验调整超参数：LKA DecomNet损失函数的权重系数α₁和α₂分别设为0.1和0.01。

Conclusions

本文提出新型网络框架TIMRetinex-Net，设计了基于伽马变换的监督式图像增强任务，模拟不同区域光强变化以帮助网络适应复杂光照条件。在特征提取层融合CNN-Transformer混合模型，采用A-AttnBlock捕获长程依赖关系，并集成IGIAM模块以提升增强效果。