低光图像增强方法有哪些

低光图像增强方法可以分为传统方法和基于深度学习的方法。

1. 传统方法：
   • 直方图均衡化（Histogram Equalization, HE） ：通过拉伸图像的动态范围来提高对比度，是一种常见的低光图像增强技术。
   • Gamma校正：调整图像的亮度和对比度，以改善低光图像的质量。
   • Retinex理论：该方法假设观测到的图像可以分解为反射率和光照，通过操作估计的光照图像来改善图像质量。
2. 基于深度学习的方法：
   • 端到端训练：直接从原始低光图像到增强图像的映射，不需要中间步骤。
   • 注意力机制：利用注意力机制指导增强过程，以改善图像的整体视觉效果。
   • 可逆网络：如LLFlow，通过学习低光照图像到正常光照图像的概率分布映射，提高增强效果和计算效率。
   • 多任务共享主干结构：在大模型上进行训练，然后在小模型上进行蒸馏，以提升信噪比并降低计算成本。

此外，还有一些特定的算法和技术，如LIME算法，它通过在RGB通道中找到最大值来单独估计每个像素的照明，从而实现低光图像增强。这些方法各有优缺点，选择合适的方法需要根据具体的应用场景和需求来决定。