1. 低光照成像基础：人眼视觉与低光环境、低光照图像退化模型、深度增强技术概述

各位同学，咱们今天聊聊低光照成像。说实话，这个领域我摸爬滚打了好几年，踩过的坑比吃过的盐还多。你想想看，晚上拍个照片，要么噪点满天飞，要么暗部一片死黑——这就是我们要解决的问题。

1.1 人眼视觉与低光环境

先说说人眼。人眼其实是个非常牛逼的成像系统。在光线充足时，我们能分辨几百万种颜色。但到了暗光下，人眼会自动切换模式——说白了，就是从「彩色模式」切到「黑白模式」。

为什么会这样？因为人眼视网膜上有两种感光细胞：视锥细胞和视杆细胞。视锥细胞负责彩色视觉，但需要足够的光线；视杆细胞对光极其敏感，但只能分辨明暗。我在项目中遇到过，有些算法试图模拟人眼的这种自适应机制，结果搞得一团糟——因为机器没有「生物调节」这回事。

1.2 低光照图像退化模型

低光照图像到底是怎么退化的？我习惯用一个简单的数学模型来描述：

I_low = (I_clean * T) + N

其中：

• I_low：你拍到的低光照图像
• I_clean：理想情况下的清晰图像
• T：光照衰减因子（0到1之间）
• N：噪声项（包括传感器噪声、光子噪声等）

这个模型虽然简单，但很实用。我曾经用这个模型做过一个快速评估——把一张正常光照的图片，人为降低亮度并加噪，就能模拟出低光照效果。嗯，这里要注意：真实场景的退化比这个复杂得多。

具体来说，低光照图像有以下几个典型退化特征：

退化类型	表现	成因
亮度降低	整体偏暗，细节丢失	光照不足，曝光时间短
噪声增加	颗粒感明显，信噪比低	传感器增益放大，热噪声
色彩失真	颜色偏色，饱和度下降	色彩通道信噪比不均
对比度下降	图像发灰，边缘模糊	动态范围压缩

1.3 深度增强技术概述

传统方法搞不定低光照增强，为什么？因为传统方法本质上是「一刀切」——对整张图用同一个增强策略。但低光照图像的退化是空间变化的，不同区域需要的增强力度完全不同。

深度学习的出现，彻底改变了这个局面。我建议把深度增强技术分为三大类：

1. 端到端方法：输入低光照图，直接输出增强图。简单粗暴，但需要大量配对数据。
2. 物理模型驱动方法：先估计光照分布，再反推清晰图像。可解释性强，但计算量大。
3. 生成式方法：用GAN或扩散模型生成缺失的细节。效果惊艳，但容易产生伪影。

你想想看，这三种方法各有优劣。我个人习惯在工业项目中优先用物理模型驱动的方法——因为稳定，不容易翻车。但如果是做竞赛或者展示效果，端到端方法更讨喜。

这张图把本章的核心脉络梳理清楚了。从人眼视觉的生物学基础，到图像退化的数学模型，再到深度增强的三大技术路线——这三块内容环环相扣。我个人建议，初学者先把退化模型吃透，后面的增强方法才能用得得心应手。