从 Retinex 到扩散模型：视频图像夜场景增强算法全景深度剖析

从 Retinex 到扩散模型：视频图像夜场景增强算法全景剖析

本文系统梳理低照度图像与视频增强（Low-Light Image/Video Enhancement, LLIE/LLVE）领域的技术演进脉络，涵盖从经典物理模型到 2026 年前沿工作的25+ 篇代表性论文，按技术路线分类剖析每篇论文的核心思想、创新点与关键结果，并对趋势进行展望。

一、问题背景与技术挑战

低照度场景下拍摄的图像和视频普遍存在亮度不足、对比度低、噪声显著、色彩偏移等退化问题。这些退化不仅影响人眼感知质量，更会严重损害目标检测、人脸识别、语义分割等下游视觉任务的性能。在夜间监控、自动驾驶、智能手机摄影、医疗成像等领域，低照度增强是不可或缺的前置环节。

低照度增强的技术本质，是在尊重图像成像物理规律的基础上，对图像的亮度分量、对比度分量与噪声分量进行精准分离与优化——既不能单纯提升全局亮度（易导致高光区域过曝、噪声放大），也不能盲目增强对比度（易造成色彩失真、细节断裂）。

该领域的核心挑战包括：