基于深度学习的低光照图像增强研究进展综述

在低光照环境中，计算机视觉算法的性能通常会显著下降，对分割、检测和分类等关键视觉任务产生不利影响。随着深度学习的快速发展，其在低光照图像处理中的应用近年来引起了广泛关注并取得了显著进展。然而，目前仍缺乏全面的综述来系统地审视近期基于深度学习的低光照图像增强方法是如何工作的，并评估它们在增强下游视觉任务方面的有效性。为了填补这一空白，本综述详细阐述了近期（自2020年以来）各种方法的运作方式及其增强机制，并辅以清晰的图示。它还研究了不同增强技术对后续视觉任务的影响，批判性地分析了它们的优势和局限性。我们的综述发现，图像增强在不同程度上改善了下游视觉任务的性能。尽管有监督方法通常能生成具有高感知质量的图像，但它们通常在视觉任务中产生的改进有限。相比之下，零样本学习尽管在图像质量指标上得分较低，但在各种视觉任务中表现出一致的性能提升。这表明图像质量指标与评估视觉任务性能的指标之间存在脱节。此外，无监督域自适应技术在分割任务中表现出显著的增益，突显了它们在标记数据稀缺的实际低光照场景中的潜力。我们分析了现有研究的局限性，并提出了未来研究的方向。本综述为确定低光照图像增强技术和优化低光照条件下的视觉任务性能提供了有用的参考。