Se propone un algoritmo de mejora de imágenes en baja iluminación basado en la fusión adaptativa de características a través de niveles para abordar problemas como baja luminosidad, bajo contraste y efectos visuales deficientes en imágenes capturadas en entornos con poca luz. El algoritmo combina primero el muestreo escalonado y la convolución de campo amplio para construir el frente de la red, generando características multiescalares con un campo receptivo amplio, lo que permite una extracción completa de la información de bajo nivel. Luego, se introduce un módulo de atención transpuesta multi-cabeza en el centro de la red, que calcula la covarianza cruzada entre canales para generar mapas de atención, estableciendo implícitamente asociaciones de contexto global. Posteriormente, se construye una función de pérdida conjunta para corregir la dirección de convergencia del modelo, ayudando al modelo a optimizarse en términos de contraste y estructura, mejorando la robustez del algoritmo. Finalmente, se realizan experimentos en los conjuntos de datos LOL y LOLv2, y los resultados experimentales muestran que el algoritmo propuesto supera a la mayoría de los algoritmos avanzados en indicadores objetivos como la relación señal-ruido pico (PSNR) y la similitud estructural (SSIM), mientras que subjetivamente las imágenes tienen una luminosidad natural y el ruido y artefactos se suprimen eficazmente.

imágenes de baja iluminación;convolución de campo amplio;multiescala;atención transpuesta multi-cabeza;función de pérdida conjunta