Es wird ein Algorithmus zur Verbesserung von Bildern bei schwacher Beleuchtung vorgeschlagen, der eine adaptiv über Ebenen gekreuzte Merkmalsfusion verwendet, um Probleme wie geringe Helligkeit, niedrigen Kontrast und schlechte visuelle Effekte bei in lichtschwachen Umgebungen aufgenommenen Bildern zu lösen. Der Algorithmus kombiniert zunächst hierarchisches Sampling und Weitbereichskonvolution zum Aufbau der Netzwerkvorderseite und erzeugt mehrskalige Merkmale mit großem Rezeptivfeld, wodurch flache Informationen vollständig erschlossen werden. Anschließend wird ein Multi-Head-Transposed-Attention-Modul in die Netzwerkmitte eingeführt, das die wechselseitige Kovarianz zwischen Kanälen berechnet, um Aufmerksamkeitskarten zu generieren und implizit globale Kontextbeziehungen herzustellen. Danach wird eine gemeinsame Verlustfunktion konstruiert, um die Konvergenzrichtung des Modells zu korrigieren, das Modell bei Kontrast und Struktur zu unterstützen und die Robustheit des Algorithmus zu verbessern. Schließlich werden Experimente mit den Datensätzen LOL und LOLv2 durchgeführt. Die Experimentergebnisse zeigen, dass der vorgeschlagene Algorithmus die meisten fortschrittlichen Algorithmen in objektiven Kennzahlen wie Spitzen-Signal-Rausch-Verhältnis (PSNR) und struktureller Ähnlichkeit (SSIM) übertrifft, subjektiv ist die Bildhelligkeit natürlich und Rauschen sowie Artefakte werden effektiv unterdrückt.

Bilder bei schwacher Beleuchtung;Weitbereichskonvolution;Mehrskaliert;Multi-Head-Transposed-Attention;Gemeinsame Verlustfunktion