Pour traiter les problèmes de faible luminosité et de flou des détails dans les images en faible éclairage, cet article propose un algorithme d'amélioration d'image en basse lumière contextuellement conscient. Tout d'abord, un module conscient du contexte a été étudié pour extraire les informations détaillées et les artefacts de bord, utilisant une fonction d'activation pour effectuer une cartographie non linéaire afin d'obtenir l'importance des caractéristiques dans le contexte courant. Ensuite, le module d'attention multi-têtes du Transformer a été remplacé par un mécanisme de contrôle d'attention linéaire afin de réduire la complexité de calcul sur les images haute résolution tout en maintenant la performance. Enfin, un module de guidage de reconstruction a été conçu pour se concentrer sur les informations des régions en faible éclairage lors de la reconstruction de l'image, capturant les relations entre les différentes positions dans la séquence d'entrée et améliorant la capacité du modèle à exprimer les tâches de reconstruction. Les résultats expérimentaux montrent qu'en comparaison avec l'algorithme typique d'amélioration en basse lumière URetinex, le PSNR des images générées sur le jeu de données LOL a augmenté de 1,33% et le SSIM de 3,73%; sur le jeu de données SICE, le PSNR a augmenté de 1,2% et le SSIM de 2,8%. L'algorithme proposé peut efficacement améliorer les images en faible éclairage, générant des images claires et uniformément lumineuses.

Amélioration en basse lumière;Transformer;Attention linéaire;Mécanisme de contrôle