4、基于深度学习的夜景增强：低光照图像增强网络与暗光目标检测的联合优化

说实话，传统图像增强做到极致，也就那样了。你想想看，直方图均衡化再怎么调，也补不回暗部丢失的纹理细节。Retinex 模型虽然经典，但遇到极端低光照场景，分解出来的反射分量还是会有大量噪声。

所以这一章，我们聊聊深度学习怎么解决这个问题。我个人习惯把这类方法分成两派：一派是端到端的像素回归网络，比如 LLNet；另一派是零参考的曲线估计网络，比如 Zero-DCE。它们各有各的脾气，适配移动端时也各有各的坑。

4.1 LLNet：从暗到亮的端到端映射

LLNet 的思路很直接——把低光照图像直接映射到正常光照图像。它用的是堆叠的稀疏去噪自编码器，结构上有点像 U-Net 的早期版本。

我在项目中遇到过一个问题：LLNet 训练时需要成对的低光/正常光数据。但真实场景下，同一场景拍两张曝光不同的照片，对齐误差非常大。后来我们改用合成数据——用 RAW 域模拟不同曝光时间，再转成 sRGB 训练，效果反而更稳定。

LLNet 的损失函数一般长这样：

L = α · L_MSE + β · L_SSIM + γ · L_perceptual

其中 L_MSE 是像素级均方误差，L_SSIM 保证结构相似性，L_perceptual 用预训练 VGG 的特征图做感知损失。嗯，这里要注意：L_MSE 权重不能太大，否则输出会偏灰，像蒙了一层雾。

4.2 Zero-DCE：没有参考图也能增强

Zero-DCE 是我个人非常欣赏的一个工作。它不需要成对数据，而是通过一系列轻量级的曲线估计网络，对输入图像做逐像素的亮度曲线调整。

说白了，它学的是「怎么调曲线」，而不是「目标长什么样」。这个思路在移动端特别友好——模型小，推理快，而且不会出现 LLNet 那种「把黑夜变成黄昏」的色偏问题。

Zero-DCE 的损失函数由四部分组成：

1. 空间一致性损失：保持相邻像素的亮度关系不变
2. 曝光控制损失：把平均亮度拉到 0.6 左右（RGB 空间）
3. 颜色恒常性损失：防止颜色偏移，保持 RGB 三通道的比例
4. 光照平滑损失：让曲线变化不要太剧烈，避免出现光晕

我曾经踩过一个坑：曝光控制损失的权重设得太高，结果画面整体发白，像过曝了一样。后来我把目标亮度从 0.6 降到 0.45，配合颜色恒常性损失，效果才自然起来。

4.3 暗光目标检测与分割的联合优化

增强完图像，下一步就是做检测和分割。但这里有个矛盾：增强网络会改变图像的统计分布，而检测网络是在正常光照数据上训练的。直接串联两个网络，精度反而可能下降。

我建议的做法是联合微调（Joint Fine-tuning）。把增强网络和检测网络拼在一起，用检测任务的损失反向传播到增强网络。这样增强网络会主动为检测任务保留关键特征，而不是追求人眼看起来舒服的效果。

对于分割任务，情况类似。我推荐使用多任务损失联合训练：

L_total = λ₁ · L_enhance + λ₂ · L_detect + λ₃ · L_segment

λ 的取值需要根据任务优先级调整。如果检测是主任务，λ₂ 可以设到 1.0，λ₁ 和 λ₃ 设到 0.1 左右。

4.4 移动端适配的关键点

把深度学习增强网络搬到手机上，有几个绕不开的坎：

• 模型量化：INT8 量化后，Zero-DCE 的曲线估计精度会下降，输出出现带状伪影。我建议对曲线参数做逐层量化校准，或者保留最后一层为 FP16。
• NPU 部署：LLNet 的跳跃连接在 NPU 上可能不被支持，需要手动改写为 concat + conv 的组合。
• 帧率要求：实时夜景增强至少需要 30fps。在 1080p 分辨率下，模型推理时间不能超过 33ms。Zero-DCE 的轻量版可以做到，LLNet 需要大幅裁剪通道数。