《Digital Signal Processing》：NID-LLIE: A Lightweight Noise–Illumination–Detail Co-Optimization Network for Low-Light Image Enhancement
编辑推荐：
低光图像增强方法NID-LLIE提出双路径噪声模块分离像素噪声与散射干扰，并通过三阶段协作管道（照明均衡-多尺度细节增强-轻量级Retinex细化）逐步优化，在公共数据集和自建矿山场景数据集上验证了其高效性与鲁棒性，显著减少参数和计算量。
余超|徐银豪|孙鹏|李彦彪|程冰|孙晓松
中国浙江工业大学
摘要
在现实世界的低光照环境中，图像会受到不均匀照明、色噪和灰尘散射的影响，这些因素会严重降低图像的感知质量。传统的图像增强方法虽然可以提高亮度，但会带来噪声放大和结构失真的问题；而基于注意力机制的模型虽然性能优异，但由于计算复杂和资源消耗大，不适用于资源受限的设备。为了更好地平衡准确性和效率，我们提出了一种轻量级模型——噪声-照明-细节低光照图像增强算法（NID-LLIE），该算法同时优化了噪声抑制、细节恢复和自适应照明控制。具体而言，我们首先通过双路径噪声处理模块（DPNM）将像素级随机噪声与空间相关的斑点/散射伪影分离，并进行自适应融合。在去噪处理的基础上，我们构建了一个三阶段协同增强流程，逐步平衡不均匀照明并恢复图像纹理，包括照明平衡、多尺度细节增强和基于Retinex的精细处理。在公开基准测试集和自收集的低光照数据集上的实验表明，NID-LLIE在参数数量和计算量上都有显著优势，其增强效果优于现有方法，无论是在定性评估还是定量评估中都表现出色。即使在资源受限的情况下，该算法仍能保持良好的鲁棒性和高质量的图像增强效果，适用于采矿等复杂环境。
引言
在低光照条件下运行的智能视觉系统常常面临图像质量严重下降的问题。光照不足、细节丢失、噪声污染和颜色失真会降低图像的清晰度和辨识度，从而影响检测和识别的准确性和稳定性，增加漏检和误检的风险[[1], [2], [3], [4]]。因此，低光照图像增强（LLIE）已成为智能视觉领域的重要研究方向。随着深度学习和计算机视觉技术的快速发展，LLIE的建模能力得到了显著提升，硬件技术的进步也为实时应用提供了计算基础。在自动驾驶、安全监控和采矿检测等场景中，对LLIE的需求不断增加，进一步推动了其在效率、轻量化和鲁棒性方面的发展[[5], [6], [7]]。这些因素共同推动了LLIE的持续进步，使其成为智能视觉系统可靠运行的关键组成部分。
现有的LLIE方法大致可以分为基于Retinex/分解的增强方法和基于学习的增强/恢复方法，它们采用了多种噪声抑制和照明建模机制。典型的基于分解的方法包括RetinexNet[7]、KinD[9]和Retinexformer[11]，还有一些研究探索了显式的照明模型或协同分解-增强设计（如NCC[12]、DA-DRN[13]和LLEnh[14]）。然而，在统一的轻量级框架中，对异构噪声类型及其与照明/细节恢复相互作用的显式建模仍然有限。
尽管取得了这些进展，LLIE仍存在一些局限性。首先，大多数训练数据集是通过后期曝光调整生成的，无法准确反映自然低光照场景中的复合退化现象和传感器特性。其次，对信号依赖性噪声的建模不够充分，空间适应性不足，导致在极端黑暗、不均匀照明和复杂噪声条件下细节恢复不彻底、颜色偏移。第三，庞大的参数规模和计算需求限制了其在资源受限平台上的实时应用。此外，自然低光照图像通常会受到多种因素的影响，如色噪、局部过曝、空气中的灰尘和纹理模糊，这些因素会降低算法的鲁棒性和跨域泛化能力；在地下等颗粒物较多、照明极不均匀的环境中，这一问题尤为明显。
在这项工作中，我们发现去噪和细节恢复在真实低光照场景中往往是相互冲突的目标。与传统的一体化增强网络不同，过于激进的增强方法容易放大信号依赖性噪声和灰尘伪影，而过度去噪则可能在不均匀照明下过度平滑图像纹理并导致颜色失真。因此，我们提出了一种解耦但协同的解决方案：首先以类型为导向抑制异构噪声，然后在稳定的中间表示上进行逐步的照明-细节协同优化。这种分解方式稳定了优化过程，提高了对复合退化的鲁棒性，同时保持了轻量级的计算开销。
为了解决这些问题，我们提出了NID-LLIE，这是一个专为具有异构噪声和不均匀照明的实际低光照场景设计的轻量级模块化框架。其核心思想是在严格的计算预算下，将类型感知的噪声抑制与照明-细节协同优化分离。具体来说，我们引入了双路径噪声模块（DPNM），该模块在两个轻量级分支中分别处理像素级随机噪声和空间相关的斑点/散射伪影，并通过掩码引导的加权进行融合，生成用于后续处理的去噪中间结果。在此基础上，我们设计了三阶段协同处理流程（TriLight），逐步改善图像的可见性和保真度：轻量级照明平衡器（LIB）用于校正不均匀光照，多尺度细节增强器（MSDE）用于恢复纹理同时避免噪声放大，以及基于Retinex的轻量级增强器（LRE）用于优化反射率一致性并抑制残余伪影。
我们的主要贡献如下：
•双路径噪声模块（DPNM）：我们提出了一种轻量级的双分支设计，能够明确区分像素级噪声与空间相关的斑点/散射干扰，并通过掩码引导的融合来平衡去噪强度和细节保留。
•TriLight协同流程：我们提出了一个三阶段照明-细节协同优化方案（LIB–MSDE–LRE），逐步校正不均匀照明，增强纹理，并以较低的计算开销优化反射率一致性。
•实际数据集：我们使用了两个面向采矿的低光照数据集LLMine及其含灰尘干扰的变体LLMine_dust，这些数据集针对不均匀照明和空气中的灰尘进行了优化，以便于实际评估和部署。
部分内容摘要
低光照图像增强（LLIE）
传统方法主要依赖于全局或局部的像素强度变换，如直方图均衡化[1,2]、伽马校正[3]和自适应对比度增强[4]。尽管这些方法计算效率高，但它们只是调整亮度统计信息，而非对空间不均匀照明进行建模，因此常常导致过度增强、颜色失真和细节丢失。为了解决这些问题，基于Retinex的方法将图像分解为照明和反射率两部分来进行平衡
方法论
该系统由四个模块组成：DPNM用于噪声抑制，LIB用于照明平衡，MSDE用于细节增强，LRE用于照明优化。这些模块协同工作，实现去噪、细节恢复和照明控制；具体架构如图3.1所示。
具体来说，这些模块按级联方式执行：DPNM首先去除异构噪声，提供稳定的输入；LIB随后校正不均匀照明并补偿局部对比度；MSDE
实验设置与分析
为了明确实验结果，我们将NID-LLIE的每个核心观点与相应的指标和结果联系起来：
•在异构退化条件下的噪声抑制：通过公开基准测试集和LLMine_dust的数据进行定量比较（使用PSNR/SSIM以及LPIPS/NIQE），并结合视觉对比（表4.1-4.2和图4.5、4.6、4.7）进行验证。
•照明平衡和过曝/欠曝控制：
结论与未来工作
我们提出了NID-LLIE，这是一个轻量级的低光照图像增强框架，通过四个模块（DPNM、LIB、MSDE、LRE）平衡噪声抑制、照明调整和细节保留。在标准的训练-测试分割下，该框架在公开基准测试集和自收集的采矿数据上表现出一致的性能，能够在实际低光照条件下可靠地恢复图像结构和颜色，同时减少曝光不均匀引起的伪影和颜色偏差。定量分析表明
CRediT作者贡献声明
余超：概念设计、数据整理、方法论研究、验证工作及原始稿撰写。徐银豪：数据整理、实验研究、验证工作。孙鹏：概念设计、方法论研究、指导及审稿编辑。李彦彪：资金筹措、撰写及审稿编辑。程冰：资源协调。孙晓松：实验研究。
CRediT作者贡献声明
余超：概念设计、数据整理、方法论研究、验证工作及原始稿撰写。徐银豪：数据整理、实验研究、验证工作。孙鹏：概念设计、方法论研究、指导及审稿编辑。李彦彪：资金筹措、撰写及审稿编辑。程冰：资源协调。孙晓松：实验研究。
