Para abordar os problemas de baixa luminosidade e desfoque de detalhes em imagens com pouca luz, este artigo propõe um algoritmo de aprimoramento de imagens com consciência contextual para baixa luminosidade. Primeiro, foi estudado um módulo consciente do contexto para extrair informações detalhadas e artefatos de borda, utilizando uma função de ativação para realizar um mapeamento não linear e obter a importância das características no contexto atual. Em segundo lugar, o módulo de atenção multi-cabeças do Transformer foi substituído por um mecanismo de porta de atenção linear, reduzindo a complexidade computacional em imagens de alta resolução, mantendo o desempenho. Por fim, foi projetado um módulo guiado de reconstrução para focar nas informações das áreas de baixa luminosidade durante a reconstrução da imagem, capturando as relações entre as diferentes posições na sequência de entrada e melhorando a capacidade do modelo de expressar tarefas de reconstrução. Os resultados experimentais mostram que, em comparação com o algoritmo típico de aprimoramento de baixa luminosidade URetinex, o PSNR das imagens geradas no conjunto de dados LOL aumentou 1,33% e o SSIM 3,73%; no conjunto de dados SICE, o PSNR melhorou 1,2% e o SSIM 2,8%. O algoritmo proposto pode melhorar efetivamente imagens com pouca luz, gerando imagens claras e com luminosidade uniforme.

Aprimoramento de baixa luminosidade;Transformer;Atenção linear;Mecanismo de porta