Confrontés aux problèmes de faible luminosité et d'informations floues, nous proposons dans cet article un algorithme d'amélioration d'images à faible luminosité contextuellement perceptif. Tout d'abord, nous avons étudié le module de perception contextuelle pour extraire des informations détaillées et des artefacts de bordure, l'utilisation d'une fonction d'activation pour une cartographie non linéaire, et l'obtention de l'importance des caractéristiques dans le contexte actuel. Ensuite, nous avons remplacé le module d'attention multi-têtes dans le transformateur par un mécanisme de contrôle d'attention linéaire, réduisant ainsi la complexité de calcul dans les images haute résolution tout en maintenant les performances. Enfin, nous avons conçu un module de guidage de reconstruction pour se concentrer sur les informations de la zone à faible luminosité lors de la reconstruction des images, capturant des informations de corrélation entre les différentes positions d'entrée, améliorant la capacité du modèle à la tâche de reconstruction. Les expériences ont montré que par rapport à l'algorithme d'amélioration d'images à faible luminosité classique URetinex, le PSNR des images générées sur l'ensemble de données LOL a augmenté de 1,33 % et le SSIM a augmenté de 3,73 %. Sur l'ensemble de données SICE, le PSNR des images a augmenté de 1,2 % et le SSIM a augmenté de 2,8 %. L'algorithme de cet article permet d'améliorer efficacement les images à faible luminosité, générant des images claires et uniformément éclairées.

amélioration de la faible luminosité; Transformateur; Attention linéaire; Mécanisme de contrôle