摘要
现有的图像增强方法通常仅针对输入图像中存在的过曝或欠曝问题之一进行优化。当输入图像的光照条件同时包含过曝和欠曝区域时，这些现有方法往往难以取得理想效果。我们通过分析图像统计特性发现，同时受过曝与欠曝影响的图像，其局部颜色分布（Local Color Distributions, LCDs）在图像不同区域间呈现出显著差异，这种差异与局部光照条件密切相关。基于这一观察，本文提出利用LCDs作为先验信息，用于定位并增强这两种类型的区域（即过曝与欠曝区域）。具体而言，本文提出以下三个核心创新：首先，我们利用LCDs对不同区域进行表征，并设计了一种新颖的多尺度局部颜色分布嵌入（Local Color Distribution Embedded, LCDE）模块，以多尺度方式建模图像中各区域间的颜色分布相关性；其次，提出一种双光照学习机制（Dual-Illumination Learning Mechanism），分别针对过曝与欠曝区域进行协同增强；最后，为支持模型训练，我们构建了一个新的数据集，严格遵循相机图像信号处理（Image Signal Processing, ISP）流程，从原始数据生成包含过曝与欠曝特性的标准RGB图像。大量实验结果表明，所提出的LCDPNet方法在定量与定性评价上均显著优于现有最先进的图像增强方法。相关代码与数据集已公开发布于：https://hywang99.github.io/lcdpnet/。