基于惯性 Bregman 交替线性化极小化的边缘引导低光照图像增强

基于先验的低光照图像增强方法通常面临从暗图像中提取可用先验信息的挑战。为了克服这一局限性，我们引入了一种简单而有效的 Retinex 模型，并提出了边缘提取先验。更具体地，我们设计了一个边缘提取网络，直接从低光照图像中捕获精细的边缘特征。基于 Retinex 理论，我们将低光照图像分解为光照分量和反射分量，并引入边缘引导的 Retinex 模型用于增强低光照图像。为了求解所提出的模型，我们提出了一种新颖的惯性 Bregman 交替线性化极小化算法。该算法解决了与边缘引导 Retinex 模型相关的优化问题，能够有效增强低光照图像。通过严格的理论分析，我们确立了该算法的收敛性质。此外，我们通过非凸优化理论证明了所提出的算法收敛到该问题的一个驻点。此外，在多个真实世界低光照图像数据集上进行了大量实验，以证明所提方案的有效性与优越性。