摘要
在低光图像增强任务中，基于深度学习的算法相较于传统方法展现出显著的优越性与有效性。然而，这些方法主要基于Retinex理论，往往忽视输入图像中的噪声和色彩失真问题，导致增强结果中出现明显的噪声放大和局部色彩失真。为解决上述问题，本文提出一种双路径误差补偿（Dual-Path Error Compensation, DPEC）方法，旨在低光条件下提升图像质量，在保留局部纹理细节的同时恢复全局亮度，且不引入噪声放大。DPEC引入了精确的像素级误差估计机制，以捕捉细微差异，并采用独立的去噪模块，有效防止噪声增强。此外，本文设计了HIS-Retinex损失函数，用于指导DPEC的训练过程，确保增强后图像的亮度分布更贴近真实场景。为在保证计算效率与资源消耗合理性的前提下，实现对全局上下文信息的充分理解，我们将其主干网络替换为VMamba架构。大量定量与定性实验结果表明，所提算法在低光图像增强任务中显著优于现有最先进方法。相关代码已公开，可访问 https://github.com/wangshuang233/DPEC 获取。