近日，我院鲁棒视觉智能感知技术团队在弱光图像增强研究方向取得重要研究进展。由张凯兵老师指导、2023级硕士研究生宋佳音同学完成的学术论文《How Local Details Meet Global Structures: A Parallel Multi-Scale Dual-Branch Network for Low-Light Image Enhancement》被国际计算机视觉领域顶级期刊IEEE Transactions on Multimedia正式录用，这是该团队今年指导研究生在计算机视觉与人工智能领域取得的又一高水平研究成果。IEEE Transactions on Multimedia是计算机视觉与多媒体领域的国际顶级期刊，中科院SCI一区TOP期刊，清华大学推荐A类期刊，2024–2025年最新影响因子为9.7。
弱光图像增强（Low-Light Image Enhancement,LLIE）是计算机视觉领域的重要研究方向，旨在缓解低照度环境下图像因对比度不足、色彩失真及噪声干扰所导致的质量劣化问题，为目标检测、图像分割等下游视觉任务提供高质量输入。然而，现有方法在全局光照调节与局部细节恢复的协同优化方面仍存在明显瓶颈，单一分支架构难以兼顾二者的有效融合。
针对上述问题，本团队提出了一种新的多尺度双分支弱光图像增强深度网络框架BDMD-Net。该框架由全局亮度调整子网络(Global Brightness Adjustment Subnetwork，GBAN)和局部细节恢复子网络(Local Detail RecoverySubnetwork, LDRN)组成。其中，GBAN引入跨尺度亮度引导Transformer块(Cross-scale Brightness Guided Transformer Block, CBGTB)，通过建模像素间的长距离依赖关系，实现全局光照调整的一致性与自然性；LDRN则基于残差卷积结构与通道注意力机制，对图像纹理与细节信息进行精细建模与有效恢复。为进一步提升特征融合效果，提出幅值–相位分离的频域融合策略，在多尺度频域空间中实现特征融合：利用幅值分量调控亮度信息，借助相位分量保持图像全局结构和局部纹理细节。同时，设计双分支融合子网络(Dual-Branch Fusion Sub-network, DBFN)，根据图像内容和噪声统计特性，自适应融合GBAN与LDRN的特征，在保证视觉保真度的同时显著提升全局亮度调整子网络和局部细节恢复子网络的融合效果。在8个具有代表性的公开基准数据集上的验证实验结果表明，BDMD-Net在定量评价指标和主观视觉质量方面均取得了当前最先进的性能。（撰稿：李鹏芳；审核：张凯兵）
人物链接：
宋佳音，女，2023年毕业于西安工程大学计算机科学学院，2023年推免至西安工程大学计算机科学学院计算机科学与技术专业攻读硕士研究生。获第十九届中国研究生电子设计竞赛西北赛区二等奖，“华为杯”二十一届研究生数学建模竞赛国家三等奖。研究方向为深度学习与弱光图像增强。目前已经签约北京小米移动软件有限公司。
