Для решения проблем низкой яркости и нечеткости деталей в изображениях при слабом освещении в этой статье предлагается контекстно-ориентированный алгоритм улучшения изображений при слабом освещении. Во-первых, изучался модуль учета контекста для извлечения детальной информации и артефактов краев с использованием функции активации для нелинейного отображения, что позволяет определить важность признаков в текущем контексте. Во-вторых, многоголовый механизм внимания в Transformer был заменен на механизм линейного внимания с воротами, что снижает вычислительную сложность при работе с изображениями высокого разрешения при сохранении производительности. Наконец, был разработан модуль направленной реконструкции, который фокусируется на информации в областях с низкой освещенностью при восстановлении изображения, захватывая взаимосвязи между позициями в входной последовательности и повышая способность модели к выполнению задач реконструкции. Экспериментальные результаты показывают, что по сравнению с существующим типичным алгоритмом улучшения низкой освещенности URetinex, на датасете LOL PSNR увеличился на 1,33%, а SSIM на 3,73%; на датасете SICE PSNR увеличился на 1,2%, SSIM на 2,8%. Предложенный алгоритм эффективно усиливает изображения при слабом освещении, создавая четкие и равномерно освещенные изображения.

Улучшение при слабом освещении;Transformer;Линейное внимание;Механизм ворот