DMFourLLIE：基于双阶段多分支傅里叶网络的低光图像增强

在傅里叶频率域中，亮度信息主要编码在�幅分量中，而空间结构信息则显著包含在相位分量中。现有的低光图像增强技术使用傅里叶变换主要关注放大�幅分量并简单复制相位分量，常导致颜色失真和噪声问题。本文提出一种双阶段多分支傅里叶低光图像增强（DMFourLLIE）框架，通过强调相位分量在保持图像结构和细节方面的作用来解决这些限制。第一阶段整合红外图像中的结构信息以增强相位分量，并在亮度-色度颜色空间中采用亮度注意力机制精确控制�幅增强。第二阶段结合多尺度和傅里叶卷积分支进行鲁棒的图像重建，有效恢复空间结构和纹理。这种双分支联合优化过程确保复杂图像信息得以保留，克服了忽略�幅与相位之间相互作用的局限。跨多个数据集的大量实验表明，DMFourLLIE在低光图像增强方面优于当前最先进的方法。我们的代码已公开：https://github.com/bywlzts/DMFourLLIE。