钱宇华 ，卢佳佳，王克琪，原之安，黄琴，刘畅

（1.山西大学 大数据科学与产业研究院，山西 太原 030006；2.山西大学 计算智能与中文信息处理教育部重点实验室，山西 太原 030006；3.山西大学 计算机科学与信息技术学院，山西 太原 030006）

0 引言

高质量图像处理是计算机视觉和机器学习应用领域的研究热点，其直接影响高级视觉任务的处理性能，例如目标检测、目标跟踪和语义分割等任务，但是由于成像设备在低照度环境下捕获的光子数少、信噪比低，导致图像亮度偏低、饱和度不足、具有大量噪声等问题。因此，针对低照度图像处理具有重要的研究意义。目前，图像增强技术已被广泛应用于各种科学和工程领域，如大气科学、卫星遥感、计算机视觉、人体医学及交通领域等。现有的针对低照度图像增强方法的研究大致可分为两类：传统方法和基于深度学习的方法。

传统方法一般通过直方图均衡化算法［1］、Retinex 算法［2-3］以及基于数据驱动的图像增强方法［4］来提高图像平均亮度，但是存在颜色保真度不高的问题。近年来，随着深度学习得到快速发展，尤其在计算机视觉领域［5］，众多学者聚焦于低照度图像增强任务。现有的低照度图像增强技术大多数是通过增加更多的卷积层以提高峰值信噪比（peak singal to noise ratio，PSNR）和结构相似性（structural similarity，SSIM）等指标值，但仍存在模型参数量较大等问题，使他们不适用于资源受限的设备中。例如，Chen等人设计了一种数据驱动的方法［6］，有效提高了成像表现，但是该网络有23个卷积层，模型参数量为7.4 M。……