基于Transformer的U型低照度图像增强算法

针对非均匀光照环境下照度自适应算法的固有缺陷以及基于CNN的图像增强模型固有的卷积运算导致的感受野受限、无法建立长距离的全局依赖等问题，本文提出一种融合CA-Transformer模块和全局注意力融合模块的U型网络RT-UNet。本研究设计了基于轴向多头自注意力机制的CA-Transformer模块作为特征提取和重建的基础模块。该模块在兼顾CNN与Transformer结构优点的同时极大地减少了计算复杂度。进而，为了建立不同尺度，不同分辨率特征图之间的信息交互与融合，搭建了全局注意力融合模块来替代之前的残差连接，帮助网络关注到更感兴趣的区域，方便其学习到更有用，更精细的特征。实验结果表明，本算法在主客观评价指标上相比于近几年一些主流图像增强算法均具有很强的竞争力。

在当前社会中，图像已成为信息交流和媒体传播的主要载体之一，而其质量的优劣直接关系到信息的有效传递和理解。但是由于采集时间、环境和角度等多种因素的影响，图像会难以避免的出现亮度不足的情况。这类低照度图像通常可分为两种情形：一是整体亮度较低，处于相对黑暗的环境；二是在背光等复杂光照条件下，主体和背景的对比度较高，呈现出明显的亮度差异。尤其在背光等复杂光照环境下，图像往往呈现局部光照不均的现象，如图1 所示。

Figure 1. Low illumination images with uneven lighting and their normal light images 图1. 光照不均匀的低照度图像及其正常光图像