基于自监督学习的图像增强研究综述.docVIP

基于自监督学习的图像增强研究综述

一、自监督学习在图像增强领域的发展背景

传统图像增强方法长期依赖人工设计的先验规则与统计特征，例如直方图均衡化通过调整像素分布提升对比度，Retinex理论基于人类视觉系统对光照的感知机制实现动态范围压缩，这类方法在特定场景下能够取得稳定效果，但泛化能力存在明显瓶颈——当面对低光照、强噪声、雾霾遮挡等复杂退化场景时，人工先验往往无法适配多样化的图像退化模式，需要针对不同场景手动调整参数，难以满足端到端的自动化处理需求。

随着深度学习技术的发展，监督学习驱动的图像增强方法逐渐成为主流，这类方法通过构建成对的退化图像与高质量参考图像数据集，训练神经网络学习退化到清晰图像的映射关系。典型代表包括用于低光照增强的RetinexNet、用于去雾的DehazeNet以及用于超分辨率的SRCNN等，在公开数据集上的客观指标（如PSNR、SSIM）显著超越传统方法。然而监督学习的性能高度依赖大规模成对标注数据集，而图像增强领域的成对数据采集成本极高：一方面，同一拍摄场景下同时获取退化图像与真值图像需要严格控制光照、拍摄角度等变量，野外场景几乎无法实现；另一方面，人工标注的图像质量受主观因素影响较大，不同标注者对“高质量图像”的判断标准存在差异，容易引入噪声标签，限制了模型的性能上限。

自监督学习的兴起为解决上述痛点提供了新的技术路径。自监督学习无需外