💡这项突破是什么?
近日，信息学院（人工智能学院）许福教授团队在低光图像增强研究领域取得新进展，针对低光图像中亮度衰减、噪声放大、色彩偏移和细节丢失等多种退化因素相互耦合、难以有效分离的问题，提出了一种基于球形模糊集引导的自适应解耦网络（Spherical Fuzzy Set-Guided Adaptive Decoupling Network，SFADNet）。相关成果以“Spherical Fuzzy Set Adaptive Decoupling Network: Principled Multi-Task Optimization for Robust Low-Light Image Enhancement”为题，发表于国际期刊 IEEE Transactions on Circuits and Systems for Video Technology (中国科学院一区top，IF：10.8)。
低光图像增强旨在恢复弱光条件下图像的亮度、颜色和结构信息，是智能监控、自动驾驶、无人系统和视觉感知等领域的重要基础技术。现有方法大多将低光增强视为单一映射问题，或分别处理照明、噪声和细节退化，难以充分描述不同空间位置和频率成分中复杂、非均匀的退化状态，容易造成过度增强、色彩失真、噪声放大和纹理丢失等问题。
针对上述问题，研究团队引入球形模糊集理论，对低光图像中的多维退化不确定性进行统一建模，将像素级增强需求表示为颜色、频率和边缘三个相互约束的任务坐标，并构建球形任务语义协调模块，使不同增强任务在统一几何空间中实现自适应分工与协同。在此基础上，网络分别设计颜色校正、频率调整和边缘细节增强分支，根据不同退化区域的实际需求进行差异化处理。同时，采用基于InfoNCE和归一化HSIC的信息约束机制，在增强各分支任务相关信息的同时降低不同任务之间的特征冗余，从而提升多任务协同能力。
图1 SFADNet网络架构图
实验结果表明，SFADNet在多个公开低光图像数据集上取得了较好的综合性能，在亮度恢复、结构保持、色彩还原和感知质量等方面表现稳定，并具备较好的跨场景泛化能力。在DICM、LIME和MEF无配对真实场景数据上的实验进一步验证了其在色彩还原、细节保持和复杂低光环境中的泛化能力。
图2 SFADNet 增强结果示例
该研究将球形模糊集理论与低光图像增强任务相结合，为复杂视觉退化条件下的多维不确定性建模和多任务解耦提供了新的研究思路，有助于提升低照度环境下视觉信息恢复的稳定性和鲁棒性，可为智能监控、无人系统、生态环境感知等复杂场景中的视觉增强提供技术支撑。
论文的第一作者为信息学院（人工智能学院）2024级博士生马梦露，通讯作者为王升老师和许福教授。北京林业大学为第一完成单位。
该研究得到了国家重点研发计划项目（2022YFF1302700）、中央高校优秀青年团队项目（QNTD202504）、中国博士后科学基金（2026M792046）和国家资助博士后研究人员计划博士后创新人才支持项目（BX2026359）的支持。
