BFORE：基于蝶翼-灯fly优化的 Retinex 增强用于低光图像质量提升

低光图像常 suffer from poor visibility, noise, and color distortion。现有的基于 Retinex 的增强方法依赖手动调谐的参数，这些参数不适用于不同的光照条件。本文提出了 BFORE（Butterfly-Firefly Optimized Retinex Enhancement），一个为每张图像自动寻找最佳增强参数的框架。BFORE 包含两个阶段：(1) 蝶翼优化算法（BOA）搜索 Multi-Scale Retinex with Color Restoration（MSRCR）参数的最优解，然后 (2) 灯fly 算法（FA）对 gamma 校正、去噪和颜色参数进行微调。这两个阶段都最大化高斯 Naturalness Score（GNS），这是一种无参考指标，用于衡量增强后图像的自然度。仅在优化后计算标准质量指标（PSNR, SSIM, NIQE），确保数据无泄漏。在 30 组合成图像对上，BFORE 实现 GNS = 0.971，优于下一名的方法 MSRCR（0.894）提升 8.6%。在 115 张来自 LOL 数据集的真实图像上，BFORE 实现 GNS = 0.887，优于 MSRCR（0.808）提升 9.8%。与三个深度学习基线（Zero-DCE, SCI, IAT）在相同条件下训练的对比结果显示，BFORE 在 GNS 上超过最佳深度学习方法 14.7%。消融研究确认，混合 BOA+FA 策略显著优于单个优化器，三种评估预算下的可扩展性分析显示，在有计算资源时，结构化优化器在均匀随机抽样之上显著优于后者（在 128 次评估时 p = 0.009，在 300 次评估时 p = 0.021）。所有改进都具有统计显著性（p < 0.0001，Wilcoxon 符号秩检验）。处理时间为 3-6 分钟/张 CPU，适用于离线应用。