IGA-Net：基于全局光照调制与自适应特征优化的微孔内壁低光图像迭代增强网络及其工业应用价值

【编辑推荐】本文提出IGA-Net创新网络，通过全局光照调制模块（GIM）实现轻量级非局部建模，结合自适应特征优化模块（AFM）迭代整合多尺度特征，在微孔内壁低光增强中实现PSNR 33.48 dB、13 ms实时处理性能，显著解决传统方法存在的颜色失真与纹理丢失问题，为工业视觉检测提供可靠解决方案。

　　

【研究亮点】

• 提出首个面向工业微孔内壁低光场景的迭代增强框架IGA-Net，实现实时光照校正与噪声抑制

• 创新性设计全局光照调制模块（GIM），通过轻量级光照感知策略指导非局部特征交互，有效缓解颜色失真和局部过曝

• 自适应特征优化模块（AFM）动态整合多尺度上下文特征，在保持结构完整性的同时抑制高频噪声

【实验验证】

在专用微孔内壁数据集上，IGA-Net以PSNR 33.48 dB、SSIM 0.9026的指标超越LLFormer达+1.54 dB，同时保持紧凑架构（1.18M参数）。在MIT-Adobe FiveK和LSRW数据集上的测试进一步验证其跨场景鲁棒性。

【结论】

本研究提出的IGA-Net通过GIM模块捕获全局光照先验提升照明一致性，结合AFM模块自适应优化分层特征，在极端低光条件下仍能保持微孔内壁的精细纹理特征，为工业质检提供高效解决方案。

【局限性讨论】

虽然IGA-Net在常规噪声和光照不均场景表现优异，但在剧烈运动模糊或严重遮挡等极端条件下性能可能受限，这反映了AI增强系统对输入质量敏感性的共性问题。