基于改进CycleGAN的低光域图像增强模型

传统的循环生成对抗网络（Cycle generative adversarial network，CycleGAN）作为一种无需成对数据集的图像风格迁移模型，在低光域图像增强任务中，存在生成图像细节丢失、色彩失真以及复杂场景下适应性较差等问题。针对该问题，本文提出了一种改进型的CycleGAN模型，旨在提升低光域图像增强效果。在生成器设计上，通过在上采样阶段集成二阶段色彩校正模块，旨在缓解低照度环境下色彩失真和质量退化的问题。将通道-空间混合注意力机制嵌入跳跃连接层，旨在实现特征融合过程中关键信息的自适应增强。在判别器设计上，采用全局-局部判别模式，使其兼顾全局信息与局部细节的判别能力。在损失函数设计上，在对抗损失的基础上引入感知风格损失和内容损失，进一步提升生成图像的结构保真度和视觉自然性。通过与多种具有代表性的图像增强模型的主客观实验评估对比实验表明，该模型对低光域图像有较好的增强效果，能够有效增强图像的整体亮度以及局部细节，同时不会出现色彩失真，提高了生成图像的质量。