基于灰度引导空间多尺度光照注意力的
建筑遗产低照度图像增强方法

王昕昊、董友强、李华新、范红超、曹旭 地球信息科学学报 · 2026 · 28(7): 2159 起 DOI: 10.12082/dqxxkx.2026.260257 GI-MSIA-EnlightenGAN / 低照度增强 / 三维重建

本文面向建筑遗产数字化采集中低照度影像亮度不足、对比度弱、暗区噪声重、纹理模糊和颜色偏移等问题，提出一种基于灰度引导空间多尺度光照注意力的图像增强网络 GI-MSIA-EnlightenGAN。该方法以 EnlightenGAN 为基础，借鉴 Retinex 理论，在生成器中引入灰度引导分支以显式建模光照信息，并设计多尺度光照注意力模块 MSIA，在不同空间层级上强化暗区细节与整体阴影分布。实验表明，该方法在 LOL 数据集和自建永定门建筑遗产数据集中均能取得更好的亮度恢复、纹理保持和色彩保真效果，并在三维重建任务中显著提升关键点数量、改善弱纹理区可观测性，为建筑遗产低照度场景下的高质量数字化采集提供技术支撑。

建筑遗产 低照度增强 灰度引导 多尺度光照注意力 EnlightenGAN 三维重建
↓ 向下滚动阅读
01 · 研究背景与问题

低照度影像会直接影响建筑遗产纹理记录和三维重建质量

建筑遗产中的砖石肌理、壁面纹饰、雕刻线条和彩画细节承载着重要历史信息。然而在室内、洞窟、城墙阴影区和地下遗址等场景中，受文物保护规范限制，往往不能使用强光照明设备，导致影像出现亮度不足、暗区噪声、色彩失真与纹理模糊等问题。

传统增强方法易失真

直方图均衡和 Retinex 类方法可提升亮度，但容易放大噪声、引入光晕或造成颜色偏移，难以满足文物影像保真要求。

通用深度模型不够适配

Zero-DCE 易局部过增强，SCI 可能压缩建筑纹理，原始 EnlightenGAN 在暗区恢复、砖缝清晰度和色彩稳定性上仍不足。

三维重建需要稳定纹理

低照度会影响特征提取、纹理映射、空中三角测量和多视几何一致性，最终降低三维重建精度与真实性。

7000+
永定门建筑遗产影像
200
训练 Epoch
RTX 4090
实验硬件
470
三维重建验证影像
02 · GI-MSIA-EnlightenGAN 方法架构

用灰度分支建模光照，用多尺度注意力恢复暗区纹理

该方法以 EnlightenGAN 为基础框架，采用生成器与双判别器结构。生成器包含 RGB 纹理特征分支与灰度光照特征分支；判别器包括约束整体亮度和色彩分布的全局判别器，以及关注砖缝、雕刻等局部纹理真实性的局部判别器。

G1
灰度引导模块：解耦光照与纹理

网络首先将 RGB 输入转换为灰度引导图，用灰度编码器提取光照特征，用 RGB 编码器提取纹理特征，再通过通道拼接与 3×3 卷积进行融合。该设计使模型能够显式区分“亮度变化”和“真实建筑纹理变化”，减少误增强和颜色偏移。

Gray Guidance RGB Encoder Illumination Feature Texture Feature
M2
MSIA：空间多尺度光照注意力

MSIA 通过平均池化获得多个尺度的光照图，并对对应层级特征进行残差式调制。浅层尺度关注砖缝、雕刻线条和彩画纹理等局部细节；深层尺度关注大范围阴影分布和整体亮度一致性，从而兼顾局部清晰度与全局自然感。

MSIA Multi-scale Pyramid Residual Attention Dark-region Enhancement
D3
双判别器：整体真实与局部纹理并重

全局判别器约束增强图像的整体亮度、色彩分布和视觉自然性；局部判别器基于 PatchGAN 思想，对砖石缝隙、风化表面、斗拱和彩画等局部区域进行真实性判别，防止纹理泛白和细节抹平。

Global Discriminator Local Discriminator PatchGAN Texture Realism
L4
多损失联合约束

训练中联合使用对抗损失、感知损失、重建损失和光照一致性损失：对抗损失提升生成真实性，感知损失保持结构语义，重建损失约束像素一致性，光照一致性损失保证亮度变化平滑，减少局部突变和伪影。

GAN Loss Perceptual Loss Reconstruction Loss Illumination Consistency

方法设计要点

  • 灰度分支提供全局亮度先验，帮助模型理解光照分布。
  • RGB 分支保留建筑遗产纹理、色彩和结构边界。
  • MSIA 在多尺度上强化暗区响应，兼顾砖缝细节和整体阴影。
  • 残差式注意力避免过强调制导致信息丢失，提高训练稳定性。

数据与实验设置

  • LOL 数据集：500 对真实低照度 / 正常曝光图像。
  • 永定门数据集：7000 余张建筑遗产影像。
  • 采集设备：Sony A7R4 与 8 m 伸缩碳杆。
  • 训练设置：PyTorch，Adam，学习率 0.0002，200 epoch。
03 · 实验结果与三维重建验证

亮度增强、纹理保持和重建稳定性取得综合提升

实验包括消融分析、LOL 数据集定量对比、建筑遗产数据集定性对比和三维重建应用验证。结果表明，灰度引导与多尺度光照注意力具有互补作用：前者提供亮度约束，后者强化局部结构，完整模型在多项指标和实际重建任务中表现更稳健。

8.928 dB
LOL PSNR
0.5346
LOL SSIM
0.3916
LOL LPIPS
42,244
重建关键点中值
方法 PSNR ↑ SSIM ↑ LPIPS ↓
输入图像 4.410 0.0671 0.6927
SCI 6.709 0.3307 0.4347
URetinex-Net 7.433 0.4223 0.4190
Zero-DCE 7.616 0.4184 0.4133
EnlightenGAN 8.602 0.5085 0.4227
GI-MSIA-EnlightenGAN 8.928 0.5346 0.3916

建筑遗产影像增强效果

  • 相比 SCI，减少整体泛白与细节压缩。
  • 相比 Zero-DCE，降低局部过增强和不自然亮斑。
  • 相比原始 EnlightenGAN，改善暗区模糊和发黄问题。
  • 在砖缝边界、风化纹理、拱形结构和彩绘纹饰上保真度更高。

消融实验发现

  • Baseline + Gray Guidance 可提供更稳定的全局亮度约束。
  • Baseline + MSIA 可强化局部结构与多尺度暗区响应。
  • 完整模型在 NIQE、Entropy、CII 等无参考指标上综合最优。
  • 说明光照建模和多尺度注意力对建筑遗产场景具有针对性价值。
影像类型 校准影像数 关键点中值 连接点总数 重投影误差 RMS
原始影像 461 26,169 265,045 0.66 px
SCI 增强 459 28,739 201,664 0.69 px
EnlightenGAN 增强 470 42,686 282,416 0.69 px
本文改进增强 463 42,244 257,594 0.68 px
核心发现：低照度增强不能只追求“更亮”，还必须保持建筑纹理、色彩真实性和多视图光度稳定性。GI-MSIA-EnlightenGAN 通过灰度光照引导和多尺度注意力，在增强可观测性的同时，尽量降低对三维重建几何一致性的扰动。
04 · 结论、局限与应用价值

为无强光条件下的建筑遗产数字化提供图像增强支撑

本文提出的 GI-MSIA-EnlightenGAN 能在无监督训练框架下增强低照度建筑遗产影像，兼顾亮度恢复、结构边界、纹理细节与色彩保真，适用于古城墙、木构建筑、石窟、地下遗址等不宜使用强补光的文物数字化场景。

特征解耦

通过独立灰度编码分支学习光照信息，使模型能更准确地区分阴影变化与真实建筑纹理，减少误增强。

多尺度平衡

MSIA 以残差注意力方式同时关注局部砖缝和彩画细节，以及全局阴影和亮度分布，抑制伪影。

工程适配

结合光照一致性损失和局部判别器，面向文物数字化对细节保真、弱光适应和纹理可用性的需求。

应用价值

  • 支持低照度建筑遗产影像的亮度增强与纹理清晰化。
  • 减少对大功率补光设备的依赖，符合文物保护规范。
  • 为特征提取、纹理映射和三维重建提供更稳定输入。
  • 适用于古城墙、石窟、地下遗址、木构建筑和室内遗产场景。

局限与未来方向

  • 极端低光环境下仍可能放大暗区噪声。
  • 增强过程对多视图光度一致性的扰动仍需进一步控制。
  • 对土遗址、石刻、彩绘等不同材质的泛化能力仍需验证。
  • 未来可引入跨视图光度约束、前置降噪模块、几何感知监督和自适应损失权重。