融合基础模型与多颜色空间的
道路低照度图像增强及要素提取

郑康、陈亮、任福、等 地球信息科学学报 · 2026 · 28(7): 2246-2261 DOI: 10.12082/dqxxkx.2026.260107 RoadLENet / CLIP / HVI / 低照度增强 / 道路要素提取

本文面向夜间、隧道、阴天等弱光道路场景中图像亮度不足、对比度低、噪声强和路灯车灯过曝干扰等问题，提出一种无监督道路低照度图像增强网络 RoadLENet。该方法融合 RGB 与 HVI 多颜色空间特征，利用 HVI 亮度信息构建过曝区域权重图，从而抑制强光区域对暗部增强的干扰；同时设计高效频域注意力 EFA 模块，将空间域卷积与频域傅里叶建模结合，增强车道线、交通标识、斑马线等道路要素边缘与纹理表达。进一步地，RoadLENet 引入 CLIP 提示学习损失，通过视觉语言基础模型提供语义先验，引导增强结果保持自然度与语义一致性。实验表明，RoadLENet 在多个低照度数据集上优于主流无监督方法，并能显著提升下游道路要素语义分割性能。

道路低照度图像 RoadLENet 多颜色空间 HVI 频域注意力 CLIP 提示学习
↓ 向下滚动阅读
01 · 研究背景与核心问题

低照度与强光干扰会显著削弱道路要素感知能力

道路要素是智慧交通、高精度地图和自动驾驶感知的重要基础。车载前视图像在正常光照下能较好支持车道线、斑马线、箭头和交通标识提取，但在夜间、隧道和阴天场景中，低亮度、低对比度、强噪声以及路灯和对向车灯引起的局部过曝会显著降低下游识别精度。

传统增强方法不稳定

直方图均衡化容易过曝，伽马校正细节恢复有限，Retinex 类方法可能出现颜色失真，难以兼顾暗部增强与强光抑制。

有监督方法数据依赖强

成对低照度—正常光照车载图像难以在真实道路中严格对齐，导致有监督训练数据获取成本高、泛化存在限制。

无监督方法缺少语义约束

现有无监督方法常基于单一 RGB 或 HSV 空间，容易受强光区域干扰，且缺少对道路语义自然度的一致性约束。

1242
自建车载标注图像
138
自建低照度样本
1000
LoLI-Street 街景低照度图像
95%
过曝阈值推荐分位数
02 · RoadLENet 网络架构

用 HVI 解耦光色，用频域注意力增强道路边缘，用 CLIP 保持语义自然

RoadLENet 采用双分支架构，同时处理 RGB 和 HVI 颜色空间特征。RGB 分支负责直接增强图像亮度与外观，HVI 分支负责亮度—色度解耦和过曝权重建模。两类特征经频域注意力提取后融合输出，在无成对标注条件下完成道路低照度增强。

H1
HVI 多颜色空间融合：分离亮度与色度

输入 RGB 图像首先通过 HVI 变换映射至 Horizontal-Vertical-Intensity 空间。HVI 空间有助于更清晰地区分亮度信息和色彩信息，使模型在增强暗区时减少色彩漂移，并为强光区域识别提供更稳定的亮度依据。

RGB Branch HVI Branch HVIT PHVIT
W2
过曝区域加权：降低强光源对训练的干扰

基于 HVI 的 I 通道计算空间权重图，对路灯、对向车灯等过曝区域赋予较低权重，使损失函数更关注暗部道路要素恢复。实验表明，以亮度第 95 个百分位作为阈值时，能够在抑制强光干扰与保留图像自然度之间取得较好平衡。

Over-exposure Mask Intensity Channel Adaptive Threshold Weighted Loss
E3
高效频域注意力 EFA：强化道路要素边缘和纹理

EFA 同时包含空间域分支和频域分支。空间域分支通过多尺度卷积增强边缘轮廓，频域分支利用二维傅里叶变换和频率滤波器分离多频段信息，提升网络对车道线边缘、箭头边界和交通标识细节的建模能力。

EFA Fourier Transform Frequency Filter Edge Detail
C4
改进光照曲线估计：局部可学习亮度校正

方法借鉴 Zero-DCE 的曲线增强思想，但采用可学习的局部非线性亮度映射，通过堆叠伽马曲线逐步校正暗部亮度。卷积层生成局部自适应参数，使增强过程更细粒度、更适合复杂道路光照环境。

Illumination Curve Learnable Gamma Local Mapping Zero-DCE Inspired
P5
CLIP 提示学习：引入视觉语言语义先验

RoadLENet 利用预训练 CLIP 模型计算增强图像与正向、反向文本提示之间的相似度。正向提示包括明亮、清晰、高质量照片等描述，反向提示包括昏暗、噪声、不自然等描述，从而引导模型输出符合人类视觉偏好的自然增强图像。

CLIP Prompt Learning Positive Prompt Negative Prompt

训练与损失函数

  • 曝光控制损失：约束增强后平均亮度。
  • 颜色恒常性损失：缓解色彩偏移。
  • 光照平滑损失：保持相邻区域光照平滑。
  • CLIP 提示损失：增强视觉自然度与语义一致性。
  • 总损失权重：曝光 1，颜色 0.5，光照平滑 20，提示 10。

数据集与评价指标

  • LOL：真实低照度室内图像，500 对。
  • GladNet：5000 对模拟低照度图像。
  • LoLI-Street：1000 张真实城市街景低照度图像。
  • 自建车载数据集：武汉珞瑜路、武珞路，FLIR 前视摄像头采集。
  • 指标：PSNR、SSIM、NRMSE、LPIPS、NIQE、BRISQUE、PI、CLIPIQA。
03 · 图像增强实验结果

RoadLENet 在无监督条件下实现亮度、细节和自然度的综合提升

消融实验显示，HVI 过曝加权、EFA 频域注意力、改进光照曲线和 CLIP 提示学习均对结果有明确贡献。移除光照曲线会导致暗区恢复不均，移除 EFA 会造成边缘模糊和颜色失真，移除 CLIP 提示损失则容易使图像过度泛白。

17.97
LOL 数据集 PSNR
0.76
LOL 数据集 SSIM
2.9054
自建数据集 NIQE
0.0066
自建数据集 CLIPIQA
数据集 指标 RoadLENet 次优方法 结论
LOL PSNR ↑ 17.97 17.39（Jong's） RoadLENet 取得最优峰值信噪比。
LOL SSIM ↑ 0.76 0.62（PairLIE） 结构相似性显著提升，说明细节和结构保持更好。
自建车载数据集 NIQE ↓ 2.9054 3.0700（RRDNet） 无参考自然图像质量更优。
自建车载数据集 CLIPIQA ↑ 0.0066 0.0056（RetinexNet） 基于 CLIP 的感知质量评价最优。

强光抑制更稳健

HVI 权重图降低过曝区域在损失中的影响，使网络减少对路灯、车灯等强光源的过拟合，暗部恢复更自然。

道路细节更清晰

EFA 通过频域信息增强高频细节，对车道线边缘、箭头轮廓和交通标识边界具有更好的恢复能力。

视觉语义更自然

CLIP 提示学习使增强结果更接近“明亮清晰高质量照片”的语义分布，减少泛白、噪声和不自然色彩。

核心发现：道路低照度增强不能只追求整体变亮，还必须处理强光过曝与暗部细节之间的矛盾。RoadLENet 的关键在于用 HVI 识别并弱化强光干扰，用频域注意力恢复道路要素边缘，再用 CLIP 语义先验约束增强结果的自然度。
04 · 下游道路要素提取与应用价值

增强预处理显著提升车道线、交通标识等要素分割精度

为验证 RoadLENet 对实际任务的价值，研究将增强后的图像输入 DeepLabV3Plus 和 U-Net 语义分割模型。结果表明，增强预处理能够明显改善低照度条件下车道线断裂、交通标识漏检和暗部要素丢失等问题。

分割模型 道路要素类别 F1 分数提升 总体 mIoU 提升 解释
DeepLabV3Plus 车道线 +3.49% +6.11% 增强后车道线边缘更连续，暗区断裂明显减少。
DeepLabV3Plus 交通标识 +5.66% +6.11% 标识边界和颜色对比度提升，识别稳定性增强。
U-Net 车道线 +3.28% +3.63% 低照度场景下细小线状目标更易被分割。
U-Net 交通标识 +4.47% +3.63% 增强结果提升了弱光区域的语义可辨性。

智慧交通价值

RoadLENet 可作为夜间、隧道、阴雨等低照度道路感知任务的前处理模块，提高交通要素识别可靠性。

高精地图价值

增强后的车道线、斑马线、箭头和标识更清晰，有助于高精地图道路要素更新与自动化采集。

无监督优势

方法不依赖严格成对训练数据，更适合真实车载采集场景中大规模低照度图像增强和部署。

主要结论

  • RoadLENet 有效缓解道路低照度图像亮度不足和强光干扰问题。
  • HVI 过曝区域加权机制提升了暗部恢复稳定性。
  • EFA 频域注意力增强了道路要素边缘与纹理表达。
  • CLIP 提示学习提升了增强图像语义一致性和视觉自然度。
  • 增强预处理显著提升道路要素语义分割精度。

局限与未来方向

  • 道路要素类别存在不平衡，背景像素占比过高可能掩盖小目标提升幅度。
  • 交通标识、箭头等小样本细粒度类别仍需进一步优化。
  • 未来可将低照度增强与道路要素提取整合为端到端网络。
  • 可进一步引入视频时序一致性，提升车载连续帧增强稳定性。