大连民族大学信息与通信工程学院孙静团队在《计算机学报》发表论文《一种基于小波变换的两阶段低照度图像增强方法》。该研究针对低照度图像存在亮度不足、对比度低、细节模糊、噪声干扰等问题，创新提出TSUNet网络模型，融合小波变换与注意力机制，有效提升图像增强效果，相关代码已开源共享。
低照度图像增强是计算机视觉领域的重要研究方向，广泛应用于自动驾驶、安防监控、医学影像等场景。传统直方图、Retinex类算法以及主流U型网络、小波变换技术，均存在噪声放大、细节丢失、色彩失真、泛化能力弱等缺陷，且两类技术单独使用时各有短板，融合方案也尚未解决边界伪影、特征失配等难题。
为突破现有技术瓶颈，研究团队创新性设计出两阶段TSUNet增强网络。该网络分为初级恢复与精细增强两大环节，分工完成降噪、亮度提升与细节优化，在控制计算复杂度的同时保障处理效果。同时，团队搭建增强小波域特征融合模块，结合动态门控空间注意力、轻量融合曲线注意力双重机制，搭配离散小波变换，实现噪声抑制与细节保留的平衡。在模型训练阶段，研究人员构建融合感知损失函数，综合考量像素精度与视觉观感，让输出图像更贴近真实视觉效果。
研究人员在LOL、LSRW、DICM等多个主流公开数据集上开展大量对比实验。客观指标与主观视觉评测结果均表明，TSUNet模型在峰值信噪比、结构相似性等核心指标上优于十余种现有主流算法，并且参数量与计算开销更低，兼顾性能与效率。针对多光源、极限暗光、强噪声等复杂极端场景，该模型也表现出优异的稳定性。
此外，消融实验验证了网络各模块、损失函数的有效性。该成果为低照度图像增强技术提供了全新技术路线，也为小波变换与深度学习网络的融合应用提供了新思路。下一步，团队将继续优化模型结构，推进轻量化改造，并探索该方法在视频低照度增强领域的落地应用。
