Um das Problem der niedrigen Helligkeit und der verschwommenen Detailinformationen in Low-Light-Bildern zu adressieren, wird in diesem Artikel ein kontextbewusster Low-Light-Bildverbesserungsalgorithmus vorgeschlagen. Zunächst wurde ein kontextbewusstes Modul untersucht, das Detailinformationen und Kantenartefakte extrahiert und mittels Aktivierungsfunktion eine nichtlineare Abbildung durchführt, um die Bedeutung der Merkmale im aktuellen Kontext zu erhalten. Anschließend wurde das Multi-Head-Attention-Modul im Transformer durch einen linearen Attention-Gate-Mechanismus ersetzt, um die Rechenkomplexität bei hochauflösenden Bildern zu reduzieren und gleichzeitig die Leistung beizubehalten. Schließlich wurde ein rekonstruktionsgeführtes Modul entworfen, das sich während der Bildrekonstruktion auf die Informationen in Low-Light-Bereichen konzentriert, um die Beziehungen zwischen den Positionen der Eingabesequenz zu erfassen und die Ausdrucksfähigkeit des Modells für Rekonstruktionsaufgaben zu verbessern. Experimentelle Ergebnisse zeigen, dass im Vergleich zum bestehenden typischen Low-Light-Enhancement-Algorithmus URetinex der PSNR der generierten Bilder auf dem LOL-Datensatz um 1,33 % und der SSIM um 3,73 % verbessert wurde; auf dem SICE-Datensatz stiegen PSNR um 1,2 % und SSIM um 2,8 %. Der vorgeschlagene Algorithmus kann Low-Light-Bilder effektiv verbessern und klare sowie gleichmäßig beleuchtete Bilder erzeugen.

Low-Light-Enhancement;Transformer;Lineare Aufmerksamkeit;Gate-Mechanismus