吉安职业技术学院，江西吉安，343000；
摘要：在低光照环境下，图像易出现噪声干扰、细节模糊等问题，严重影响后续视觉任务的准确性。针对这一挑战，本文提出一种基于 Retinex 理论与深度学习的图像增强算法优化方案，重点实现噪声抑制与细节增强的协同优化。
该方案首先基于 Retinex 理论将低光照图像分解为反射分量（含细节信息）和光照分量（含亮度信息），通过分离噪声源简化处理流程。针对传统 Retinex 算法对复杂噪声抑制能力不足的问题，引入深度学习模块：设计双分支卷积神经网络，一支专注于光照分量的自适应校正以提升亮度均匀性，另一支通过注意力机制强化反射分量的噪声过滤，同时保留边缘、纹理等关键细节。网络训练采用混合损失函数（结合 L1 损失与结构相似性损失），平衡像素级误差与视觉感知质量。
实验结果表明，该算法在多种低光照场景（如夜间、室内弱光）下，相比传统 Retinex 方法及单一深度学习模型，在峰值信噪比（PSNR）、结构相似性指数（SSIM）等客观指标上均有显著提升，主观视觉效果更清晰自然，噪声抑制与细节保留的平衡能力更优，为低光照图像处理提供了高效解决方案。
关键词：低光照图像增强；Retinex 理论；深度学习；噪声抑制；双分支神经网络；图像分解
参考文献
[1]陈炫荣.基于深度学习的无监督低光照图像增强算法研究[D].广东工业大学,2025.
[2]杨晋.海洋浮游生物原位低光照图像增强方法研究[D].烟台大学,2025.DOI:10.27437/d.cnki.gytdu.2025.000347.
[3]牛贺杰.基于深度学习与Retinex理论的低照度图像增强算法研究[D].河南工业大学,2025.DOI:10.27791/d.cnki.ghegy.2025.000339.
[4]牛晓婷.基于卷积神经网络的低照度图像增强算法研究[D].大连交通大学,2025.DOI:10.26990/d.cnki.gsltc.2025.000678.
[5]徐银浩.基于双分支网络的行为识别研究[D].北方工业大学,2025.DOI:10.26926/d.cnki.gbfgu.2025.000298.
