计算机工程与应用

作者：黎克迅, 高治军

单位：沈阳建筑大学 电气与控制工程学院，沈阳 110153；

关键词：低光人脸识别,深度学习,Transformer,特征解耦,卷积神经网络（CNN）,LFSepNet

基金：国家自然科学基金（62273243）。

在低光环境下，人脸识别面临图像质量低、特征模糊等诸多挑战，导致现有方法难以提取鲁棒且辨识度高的特征，从而严重影响识别性能。为应对这一问题，提出了一种新颖的非成对低光人脸识别模型LFSepNet（low-light face separation network）。与传统基于卷积神经网络（convolutional neural network，CNN）架构的训练方法不同，LFSepNet采用Transformer架构，更有效地捕捉长距离依赖关系，从而克服卷积神经网络在局部感受野上的限制。由于低光环境下的人脸图像往往整体偏暗，仅有少数区域可能包含较丰富的照明信息，传统CNN在特征提取时容易受限于局部区域，难以充分利用这些关键信息。相比之下，Transformer通过自注意力机制实现全局信息建模，使网络能够更全面地整合亮度不均的人脸图像信息，从而提升特征解耦的效果和低光人脸识别的准确性。LFSepNet模型包含自适应亮度分离模块和自适应照明间隙损失，通过动态分离人脸与光照特征，减少光照干扰，同时进一步优化特征分离效果，使模型能够提取更加精确和鲁棒的特征。实验结果表明，LFSepNet在多个低光人脸数据集上的性能均优于现有方法，特别是在极端低光条件下，其识别精度显著提升。该研究为低光人脸识别提供了基于非成对设置的有效解决方案，并在实际应用中展现了良好的潜力。

来源：2026年第4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4期