摘要

在各类实际图像增强应用中，图像退化通常具有非均匀性、非同质性且形式多样，这对具有固定参数的深度网络在推理阶段带来了严峻挑战。受动态深度网络的启发——这类网络能够根据输入条件自适应地调整模型结构或参数，本文提出一种基于暗通道先验（Dark Channel Prior, DCP）引导的分层动态机制，用于图像增强任务。该机制能够实现从局部到全局的模型参数与特征自适应调整，同时保持区域内空间邻接性。具体而言，本方法依次引入通道-空间层级、结构层级和区域层级的动态组件。通道-空间层级动态机制用于捕捉通道与空间维度上的表征变化；结构层级动态机制则通过建模几何变换并扩展采样位置，以更精准地描述变化的局部特征结构。此外，本文提出一种新颖的区域层级动态机制，利用暗通道先验生成具有空间连续性的掩码，用于动态特征的调控。该区域层级动态机制充分利用了退化图像与未退化图像之间的统计差异，从而提升对图像结构的建模能力。同时，基于DCP引导的区域生成机制本身具有天然的空间一致性，有助于有效捕捉图像的局部一致性特征。实验结果表明，所提方法在多个图像增强任务中均达到当前最优性能，包括图像去雾、图像去雨以及低光照图像增强，且生成的图像在视觉效果上令人满意。相关代码已开源，地址为：https://github.com/DongLiangSXU/HDM。