随着移动设备摄像头的普及和视频监控系统的广泛应用，夜间和低光照环境下的图像质量提升显得尤为重要。在低光环境中，图像往往面临亮度不足、噪声过多以及细节缺失等问题，直接影响视觉体验及后续的计算机视觉任务。传统的图像增强方法，如直方图均衡化和对比度拉伸，虽然在一定程度上改善了亮度，但往往伴随着细节损失和噪声增加，难以获得良好的视觉效果。生成对抗网络（GAN）近年来被引入到图像处理领域，特别是在低光照图像增强方面表现出显著的优势。EnlightenGAN作为一款专为低光照图像增强而设计的模型，能够在提升图像亮度的同时保留细节信息，为低光照环境下的视觉任务提供了有效支持。

一、 EnlightenGAN的概述

EnlightenGAN是一种基于生成对抗网络的图像增强方法，专为低光照图像的增强而设计。它的核心思想是通过生成器和判别器的对抗学习，使得生成器能够生成自然的增强图像，而判别器则用于判断生成图像与真实图像的相似度。生成器和判别器的互相对抗训练，使得生成器逐步提高其生成图像的真实性，最终生成的图像在亮度、对比度和细节等方面得到了明显改善。

EnlightenGAN的生成器结构基于U-Net++，其主要特点是将浅层和深层的特征进行融合，从而在生成过程中能够更好地保留图像的细节信息。此外，EnlightenGAN还引入了全局和局部的注意力机制，通过对图像中不同区域的光照进行差异化处理，使得增强后的图像不仅整体亮度得到了提升，局部细节也更加清晰。这种注意力机制在低光照图像增强中起到了至关重要的作用，使得增强后的图像在细节和整体效果之间达到了良好的平衡。

图1和图2展示了在低光照环境下使用自适应曝光前后的图像对比。图1为未经增强处理的原始低光照图像，可以看到走廊环境整体较为昏暗，缺少足够的细节。图2为经过EnlightenGAN自适应曝光补偿后的图像，整体亮度得到了显著提升，细节部分也变得更加清晰，整个走廊区域的视觉效果得到了极大改善。

图1低光照下的走廊照片

图2 自适应曝光补偿后的走廊

二、 EnlightenGAN启发的自适应低照度图像曝光补偿方法

EnlightenGAN启发的自适应低照度图像曝光补偿方法旨在利用深度学习技术有效增强低光照环境下的图像质量。通过借鉴EnlightenGAN的设计思路，自适应低照度曝光补偿方法结合生成对抗网络的学习能力，对图像的不同区域进行有针对性的曝光调节，重点在于提升图像的整体亮度，同时最大限度地保留细节信息。这种方法采用了自适应曝光机制、基于注意力的区域处理，以及生成器的多尺度特征提取能力，从而确保图像增强效果的均衡性与自然性。下文详细介绍了该方法的几个关键组成部分。

（一） 自适应曝光机制

自适应曝光补偿的关键在于对图像中不同区域的光照特性进行识别和分类，然后有针对性地对暗部区域和亮部区域进行不同程度的曝光补偿。这种自适应性源于生成对抗网络的学习能力，通过生成器和判别器的对抗训练，使得模型能够识别出哪些区域需要增强，以及如何进行最优的增强来提高视觉效果。

（二） 基于注意力的区域处理

在低光照环境中，图像的光照分布往往是不均匀的，某些区域可能非常暗淡，而其他区域则相对较亮。基于EnlightenGAN的自适应方法，通过全局和局部的注意力机制，对图像中的不同区域进行差异化处理。全局注意力关注整体光照的一致性，确保图像在增强后看起来自然和谐；而局部注意力则对特定区域进行强化，例如暗部的细节增强，以确保每一个细节都能够清晰呈现。

（三） 生成器的自适应调节

生成器在对图像进行增强时，并不是简单地进行亮度提升，而是通过多尺度特征提取，分析输入图像中的不同光照层次，针对性地进行处理。例如，在低光照环境中，墙壁和地板等表面可能需要不同的曝光处理强度，生成器通过自适应调节机制实现对这些区域的最优处理，从而使得生成的图像既能保证亮度的提高，又能保留细节。

（四） 噪声抑制与细节保留

在低光照环境下增强图像时，噪声往往是一个重要问题。EnlightenGAN启发的方法通过对噪声和细节的区分，自适应地调整曝光强度和去噪处理，使得最终的增强结果不仅亮度均匀，而且噪声得到了有效控制，细节也得到了很好的保留。相比于传统的均衡化方法，自适应调节方法能够更加有效地避免因曝光不当而导致的细节丢失或噪声放大问题。  

图3和图4展示了在低光照环境下使用自适应曝光前后的图像对比。图3为未经增强处理的原始低光照图像，可以看到整个场馆区域显得非常昏暗，细节信息几乎不可见。图4为经过EnlightenGAN自适应曝光补偿后的图像，整体亮度显著提升，细节部分也变得更加清晰，特别是地板和墙壁的细节得到了很好的还原，整个场馆的视觉效果得到了极大改善。

图3未经处理的篮球场图4经过处理的篮球场

三、 结语

EnlightenGAN启发的自适应低光照图像曝光补偿方法通过自适应曝光机制和注意力机制，有效改善了低光照环境下图像的质量。本文介绍了该方法的核心，包括自适应曝光调节、注意力区域处理、噪声抑制与细节保留等方面，这些技术为低光照图像增强提供了可靠的解决方案。通过这些创新，生成的图像不仅亮度得到了提升，而且细节得到了有效保留，使得图像在视觉上更加自然和谐。在未来的研究中，可以进一步提高该方法的泛化能力，以适应更多样化和复杂的光照条件。此外，结合多模态数据（如深度图像和红外图像）也是提升低光照环境下图像增强效果的一个重要方向。将EnlightenGAN与其他深度学习模型结合，构建多任务联合学习框架，将有助于进一步提升该方法的应用价值和实用性。这些探索将为低光照图像增强的广泛应用提供更加坚实的技术基础和前景。

参考文献：

[1]马天,李凡卉,席润韬,等.基于生成对抗网络结合Transformer的半监督图像增强方法[J].西安科技大学学报,2023,43(06):1207-1218.DOI:10.13800/j.cnki.xakjdxxb.2023.0619.

[2]秦伟杰.基于低照度图像的ISP增强方法研究与设计[D].东南大学,2023.DOI:10.27014/d.cnki.gdnau.2023.002939.

[3]刘云,董守杰.基于CUDA核函数的多路视频图像拼接加速算法[J].计算机科学,2022,49(S1):441-446+561.