搜尋意圖： 如果你在找「低光影像增強 是什麼」或「低光影像增強 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 利用深度學習技術改善在弱光或夜間條件下拍攝的影像品質，提升亮度、降低雜訊並恢復細節。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
利用深度學習技術改善在弱光或夜間條件下拍攝的影像品質，提升亮度、降低雜訊並恢復細節。
低光影像增強問題的本質是從不完整的光子資訊中重建高品質影像。在低光條件下，感光元件接收到的光子數量少，訊號微弱，電子雜訊（熱雜訊、讀取雜訊）的比例相對增大，影像呈現暗淡、細節模糊、色偏嚴重和大量雜點等問題。傳統方法（如直方圖均衡化、Retinex 理論）雖能提升亮度，但往往同時放大雜訊，且對複雜光照場景效果有限。
深度學習方法徹底改變了低光增強的技術格局。早期方法以 CNN 為主幹，將配對的低光影像和正常光影像作為訓練資料，訓練端到端的映射網路。LLNet（2017）首次展示 Stacked Sparse Denoising Autoencoder 在低光增強上的效果；MBLLEN 和 LightenNet 進一步引入多分支網路，分別處理不同尺度的特徵；RetinexNet 借鑒 Retinex 理論，將影像分解為反射率（Reflectance，表示物體固有顏色）和照度（Illuminance，表示光照強度）兩個部分，分別增強後再合成。
近年基於 Transformer 的方法（如 LLFormer、SNR-Aware Transformer）在自注意力機制的幫助下，能更好地建模影像的長距離依賴關係，在複雜背景和大面積暗區的增強效果明顯優於純 CNN 方法。生成對抗網路（GAN）也被廣泛應用：EnlightenGAN 是一個無配對訓練的低光增強 GAN，不需要配對的低光/正常光影像，只需各自的資料集即可訓練，大幅降低了資料標注成本。
零樣本（Zero-shot）低光增強方法是近期的前沿方向，代表作 Zero-DCE 和 Zero-DCE++ 不需要配對訓練資料，以輕量的 CNN 和精心設計的非參考損失函數（如空間一致性損失、暴露控制損失、色彩恆常損失）訓練，推論時只需要輸入影像本身就能進行增強，適合在資源受限的移動設備上部署。
在應用層面，低光影像增強是多個重要產品的底層技術。智慧型手機的「夜間模式」結合了多幀融合（Multi-frame Fusion，快速連拍多張並對齊疊加）與深度學習去雜訊增強；自動駕駛系統在夜間路況、隧道入出口等場景下的感知能力依賴影像增強前處理；安防監控中夜間偵測行人和車輛需要即時的低光增強；水下影像增強是低光增強技術的延伸，用於海洋科研和潛水器視覺系統。
評估低光增強效果的主要指標包括：PSNR（Peak Signal-to-Noise Ratio，峰值訊雜比）和 SSIM（Structural Similarity Index，結構相似度）衡量與參考正常光影像的客觀差距；在無參考圖的非配對場景中，使用 NIQE（Natural Image Quality Evaluator）或 BRISQUE 等無參考品質指標；主觀評估（MOS，Mean Opinion Score）讓人工對增強結果打分，評估視覺美觀度和細節保留程度。
低光影像增強在 AI 術語詞典的意義在於它代表了電腦視覺的一個典型問題類別：在惡劣感知條件下的影像復原（Image Restoration）。掌握這個領域的技術原理，有助於 AI 應用規劃師評估視覺 AI 系統在實際部署環境（而非理想測試條件）下的能力邊界，並在方案設計時考慮影像前處理管線的必要性。 低光影像增強（Low-Light Image Enhancement, LLIE）是電腦視覺領域的重要研究方向，目標是提升在昏暗、夜間或照明不足條件下拍攝的影像品質，使其適合人類觀看或後續的視覺分析任務。
傳統方法依賴手工設計的影像處理算法。直方圖均衡化（Histogram Equalization）通過重新分配像素強度來提升對比度，但容易在亮區產生過曝；Retinex 理論啟發的方法（如 LIME、MSRCP）將影像分解為照明層和反射層，再針對照明層進行增強，較能保留影像的自然外觀。
深度學習方法顯著提升了低光增強的效果和通用性。基於 CNN 的方法如 LLNet、RetinexNet 學習直接從低光到正常光的映射關係；基於 Transformer 的方法利用自注意力機制捕捉全局亮度分布，效果更一致；GAN（生成對抗網路）框架則能生成視覺上更自然的增強結果，減少人工處理的痕跡。
無監督和弱監督方法在真實場景中格外重要，因為配對的低光/正常光訓練資料難以大量取得。Zero-DCE（Zero-Reference Deep Curve Estimation）在不需要任何配對資料的情況下，通過學習「曲線調整」函數實現增強，設計了多項無參考損失函數（顏色一致性、光滑性、空間一致性等）指導訓練。
低光增強技術的應用範疇廣泛：智慧型手機相機在夜間模式中使用 AI 演算法合並多幀曝光；自動駕駛系統需要在夜間準確識別障礙物和行人；監控攝影機的夜間影像分析依賴這類技術提升目標識別率。
常見問題
智慧型手機的「夜間模式」和深度學習低光增強有什麼關係？
現代智慧型手機的夜間模式通常結合了兩層技術：第一層是硬體和傳統演算法層的多幀融合（Multi-frame Fusion），在短時間內快速連拍數張至數十張照片，對影像進行對齊後疊加，疊加平均能有效抑制隨機雜訊（訊號加強、雜訊相消）；第二層是深度學習去雜訊與增強，對疊加後的影像進行色彩還原、細節銳化和進一步降噪。Google Pixel 的 Night Sight 和 Apple iPhone 的夜間模式都是這種組合技術的代表。純深度學習增強（如不做多幀融合的單張增強）更多用於監控、車載等無法控制拍攝次數的場景，以及事後處理（對已有的低光照片進行增強）。
訓練低光增強模型時，配對資料難以取得怎麼辦？
配對的低光/正常光影像資料集需要在相同場景下同時拍攝兩種條件的照片，收集成本高。解決辦法有幾種：一是使用現有公開資料集（LOL、MIT-Adobe FiveK、SID 等），這些資料集已包含配對影像；二是合成資料，在正常光影像上加入泊松雜訊和人工降低亮度，生成低光版本，但合成資料與真實低光影像的域差（Domain Gap）可能影響模型效果；三是使用非配對訓練方法（如 EnlightenGAN、Zero-DCE），只需要低光和正常光各自的圖庫，不需要同場景配對，適合特定領域（如水下、醫療影像）的資料受限場景；四是遷移學習，在公開大型資料集上預訓練後，在少量目標域資料上微調。
低光影像增強和去雜訊（Denoising）是同一個任務嗎？
低光影像增強和去雜訊是相關但不完全相同的任務。去雜訊的目標是移除影像中的雜訊（高斯雜訊、泊松雜訊等），假設原始影像已有足夠亮度，主要解決雜訊問題。低光增強的任務更廣泛：除了去雜訊（低光影像通常雜訊嚴重），還需要同時提升整體亮度、恢復色彩（低光條件下色溫偏差大）、增強細節和對比度。簡單的提升亮度操作（如 Gamma 校正）會同時放大雜訊，因此低光增強需要在提亮和去雜訊之間取得平衡，這種聯合優化是低光增強比單純去雜訊更困難的原因。現代低光增強方法通常將提亮、去雜訊、色彩校正三個子任務整合在一個端到端的網路中同時優化。