低光增强新进展：抑制光晕，提升夜间视觉效果

本文主要探讨了"From Generation to Suppression: Towards Effective Irregular Glow Removal for Nighttime Visibility Enhancement"这一主题，关注的是深度学习在低光图像增强（LLIE）领域的创新应用。传统的低光增强方法主要集中在提升暗区的亮度，但忽视了夜间图像中的另一个关键问题——光晕效应。光晕是由于人造光源产生的，它在夜间场景中难以避免，并且直接增强可能会导致扩散模糊，影响视觉质量。 作者们针对这一问题，提出了一个新颖的方法，即通过多重散射估计结合大气点扩散函数（APSF）来学习物理光晕生成过程。他们开发了一个名为NIM-NLS（基于APSF的近场光源夜间成像模型）的系统，这是一个可扩展的光感知盲解卷积网络（LBDN），旨在处理光晕强度不均和光源形状多样性的挑战。通过这个模型，他们能够在不依赖于配对或非配对训练数据的情况下，有效地抑制光晕。 文章的关键组成部分是REM（基于Retinex的增强模块），它在光晕抑制后对图像亮度进行增强，以提高整体的可见度。这种方法的优势在于其零样本学习能力，使得模型能够适应各种复杂的夜间场景，而无需大量标注数据。 实验结果显示，该方法在光晕抑制和低光增强任务上表现出色，对于改善夜间图像的可视性和清晰度有显著贡献。这不仅提升了夜视系统的性能，也为深度学习在处理这类现实世界图像问题中提供了新的思路和技术突破。这项研究对于改善低光环境下的视觉体验具有重要意义，对于未来的低光图像处理技术发展具有推动作用。