É proposto um algoritmo de aprimoramento de imagens em baixa luminosidade baseado na fusão adaptativa de características entre níveis para abordar problemas como baixa luminosidade, baixo contraste e efeitos visuais insatisfatórios em imagens capturadas em ambientes com pouca luz. O algoritmo combina inicialmente amostragem em níveis e convolução de campo amplo para construir a parte frontal da rede, gerando características multiescalares com amplo campo receptivo, permitindo a exploração completa de informações de baixo nível. Em seguida, introduz-se um módulo de atenção transposta com múltiplas cabeças no meio da rede, que calcula a covariância cruzada entre canais para gerar mapas de atenção, estabelecendo implicitamente associações de contexto global. Depois, uma função de perda conjunta é construída para corrigir a direção de convergência do modelo, auxiliando a otimização do modelo em termos de contraste e estrutura, melhorando a robustez do algoritmo. Por fim, foram realizados experimentos com os conjuntos de dados LOL e LOLv2, e os resultados experimentais mostram que o algoritmo proposto supera a maioria dos algoritmos avançados em indicadores objetivos como a relação sinal-ruído de pico (PSNR) e a similaridade estrutural (SSIM), enquanto subjetivamente as imagens apresentam luminosidade natural com ruído e artefatos efetivamente suprimidos.

imagens em baixa luminosidade;convolução de campo amplo;multiescala;atenção transposta com múltiplas cabeças;função de perda conjunta