DST-Net：一种基于灯光无关特征引导和多尺度空间卷积的双流Transformer用于低光图像增强
计算机视觉与模式识别
2026-03-18 v1 人工智能
摘要
低光图像增强旨在通过解决其固有信噪比退化问题（如亮度衰减和结构损坏），恢复在微弱环境中由视觉传感器捕获的图像可见性。尽管有许多算法试图提高图像质量，但现有方法常导致固有信噪比先验的严重丢失。为克服这些挑战，我们提出一种基于灯光无关信噪比引导和多尺度空间卷积的双流Transformer网络（DST-Net）。首先，为解决低光条件下关键信噪比特征的丢失，我们设计了一个特征提取模块。该模块集成了高斯差分（DoG）、LAB 色彩空间变换和 VGG-16，用于纹理提取，利用解耦的灯光无关特征作为信噪比先验，以持续引导增强过程。其次，我们构建了一个双流交互架构。通过采用跨模态注意力机制，网络利用提取的先验动态校正增强后图像的劣化信噪比表示，最终通过可微分曲线估计实现迭代增强。此外，为克服现有方法无法保持细小结构和纹理的限制，我们提出了一种多尺度空间融合模块（MSFB），其特点是伪3D和3D梯度算子卷积。该模块整合了显式梯度算子以恢复高频边缘，同时通过多尺度空间卷积捕获跨通道空间相关性。广泛的评估和消融研究表明，DST-Net 在主观视觉质量和客观指标方面均表现出优异性能。具体而言，我们的方法在 LOL 数据集上实现了 25.64 dB 的 PSNR。后续在 LSRW 数据集上的验证进一步确认了其稳健的跨场景泛化能力。
引用
@article{arxiv.2603.16482,
title = {DST-Net: A Dual-Stream Transformer with Illumination-Independent Feature Guidance and Multi-Scale Spatial Convolution for Low-Light Image Enhancement},
author = {Yicui Shi and Yuhan Chen and Xiangfei Huang and Zhenguo Wang and Wenxuan Yu and Ying Fang},
journal= {arXiv preprint arXiv:2603.16482},
year = {2026}
}