LUMINA-Net：面向低光图像增强的多阶段照明与噪声适应网络

低光图像增强（Low-light Image Enhancement, LLIE）是计算机视觉中的关键任务，旨在提升受低照明条件拍摄的图像视觉保真度。常规方法在噪声、过曝和色彩失真方面常常难以应对，导致图像质量显著下降。为此，我们提出了 LUMINA-Net，一个无监督的深度学习框架，通过整合多阶段照明和反射模块来学习低光图像对的自适应先验。为辅助 Retinex 分解，使用简单自监督机制可去除原始图像中的不合适特征。首先，照明模块智能调整亮度和对比度，同时保留细致的纹理细节。其次，反射模块包含一种噪声抑制机制，利用空间注意力和通道级特征细化来减轻噪声污染。通过在 LOL 和 SICE 数据集上的大量实验，使用 PSNR、SSIM 和 LPIPS 指标评估，LUMINA-Net 超越了最先进的方法，展示了其在低光图像增强中的有效性。