Un algorithme d'amélioration d'image en basse luminosité basé sur une fusion adaptative des caractéristiques inter-niveaux est proposé pour résoudre les problèmes de faible luminosité, faible contraste et mauvaise qualité visuelle des images capturées dans des environnements peu éclairés. L'algorithme combine d'abord l'échantillonnage hiérarchique et la convolution à large champ pour construire l'avant du réseau, générant des caractéristiques multi-échelles avec un grand champ réceptif, ce qui permet d'exploiter pleinement les informations de bas niveau. Ensuite, un module d'attention transposée multi-tête est introduit au milieu du réseau, calculant la covariance croisée entre les canaux pour générer des cartes d'attention, établissant implicitement une relation globale contextuelle. Puis, une fonction de perte conjointe est conçue pour corriger la direction de convergence du modèle, aidant à optimiser le modèle en termes de contraste et de structure, améliorant la robustesse de l'algorithme. Enfin, des expériences sont menées sur les jeux de données LOL et LOLv2, les résultats expérimentaux montrent que l'algorithme proposé surpasse la plupart des algorithmes avancés selon des indicateurs objectifs tels que le rapport signal sur bruit de crête (PSNR) et la similarité structurelle (SSIM), et que subjectivement, l'image est naturellement lumineuse avec un bruit et des artefacts efficacement atténués.

image en basse luminosité;convolution à large champ;multi-échelle;attention transposée multi-tête;fonction de perte conjointe