计算机视觉与深度学习 ｜ 基于Transformer的低照度图像增强技术

基于Transformer的低照度图像增强技术通过结合Transformer的全局建模能力和传统图像增强理论（如Retinex），在保留颜色信息、抑制噪声和平衡亮度方面展现出显著优势。以下是其核心原理、关键公式及典型代码实现：

一、原理分析

1. 全局依赖建模与局部特征融合

• Transformer的核心优势：通过自注意力机制（Self-Attention）捕捉长距离像素间的依赖关系，弥补传统CNN局部感受野的局限性。
• 混合架构设计：多数方法采用CNN-Transformer混合结构，如RT-UNet结合轴向多头自注意力（Axial Multi-Head Attention）和U型网络，在编码器-解码器中平衡局部细节与全局上下文。

2. 颜色空间分离与亮度增强

• HSV空间分解：将RGB图像转换为HSV空间，保留色调（H）和饱和度（S），仅对亮度（V）进行增强。通过改进Retinex理论，引入扰动项生成多亮度图，结合亮度引导T