计算机工程与应用

作者：孙福艳, 吕准, 吕宗旺, 龚春艳, 王尔墙

单位：1.河南工业大学 粮食信息处理与控制教育部重点实验室，郑州 450001；2.河南工业大学 河南省粮食仓储信息智能感知与决策重点实验室，郑州 450001；

关键词：图像增强,深度学习,无监督学习,Retinex理论

基金：河南省自然科学基金（252300420367）；河南工业大学粮食信息处理中心科研平台开放课题（KFJJ2024007）；国家重点研发计划（2022YFD2100202）；中原科技创新领军人才项目（244200510024）。

针对现有低光照图像增强方法在解决噪声和色偏等问题上的局限性，提出了一种基于改进循环生成对抗网络（low light generative adversarial network，LLGAN）的低光照图像增强方法。该方法提出了一种多尺度残差块用于提取图像多尺度特征；同时，使用一种特殊的卷积StarConv，以便在低维空间中有效地学习非线性特征；使用了一种特征聚合模块，并提出了一种可学习的混合注意力机制，来同时去噪和增强图像亮度；利用门控机制LGAG减少跳跃连接引起的信息丢失；提出一种全局-局部判别器减少在增强过程中细节的丢失。结果表明，提出的LLGAN模型在提升图像饱和度和减少噪声方面具有显著效果，其PSNR、SSIM、NIQE分别达到了22.321 5 dB、0.863 5、3.796 8，与现有主流方法相比具有优异的表现。

来源：2026年第5期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第5期