Angesichts der Probleme mit geringer Helligkeit und unscharfen Informationen schlagen wir in diesem Artikel einen kontextuell wahrnehmenden Algorithmus zur Verbesserung von Bildern bei geringer Helligkeit vor. Zunächst haben wir das kontextuell sensible Modul untersucht, um detaillierte Informationen und Kantenartefakte zu extrahieren, die Verwendung einer Aktivierungsfunktion für eine nichtlineare Kartierung und die Bestimmung der Bedeutung der Merkmale im aktuellen Kontext. Anschließend haben wir das Multikopf-Aufmerksamkeitsmodul im Transformer durch einen Mechanismus zur linearen Aufmerksamkeitssteuerung ersetzt, um die Berechnungskomplexität bei hochauflösenden Bildern zu reduzieren und gleichzeitig die Leistung zu erhalten. Schließlich haben wir ein Rekonstruktionsleitmodul entworfen, um sich bei der Rekonstruktion von Bildern auf die Informationen im Bereich mit geringer Helligkeit zu konzentrieren, Korrelationsinformationen zwischen den verschiedenen Eingabepositionen zu erfassen und die Kapazität des Modells für die Rekonstruktionsaufgabe zu verbessern. Die Experimente zeigten, dass im Vergleich zum klassischen Algorithmus zur Verbesserung von Bildern bei geringer Helligkeit URetinex, die PSNR der auf dem LOL-Datensatz generierten Bilder um 1,33 % und die SSIM um 3,73 % gestiegen sind. Auf dem SICE-Datensatz stieg die PSNR der Bilder um 1,2 % und die SSIM um 2,8 %. Der Algorithmus dieses Artikels ermöglicht es, Bilder bei geringer Helligkeit effektiv zu verbessern und klare, gleichmäßig beleuchtete Bilder zu generieren.

Verbesserung bei geringer Helligkeit; Transformer; Lineare Aufmerksamkeit; Aufmerksamkeitssteuerung