---
title: "低光影像增強（Low-Light Image Enhancement）"
slug: low-light-image-enhancement
language: zh-TW
source: https://aiterms.tw/terms/low-light-image-enhancement
updated_at: 2026-06-22
tags: [電腦視覺, 影像增強, 深度學習, 夜間攝影, 影像品質, 多模態]
ipas_term: false
---

# 低光影像增強（Low-Light Image Enhancement）

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。

## 完整說明

低光影像增強（Low-Light Image Enhancement）是電腦視覺領域的重要研究課題，目標是將在光線不足環境下拍攝的暗淡、高雜訊影像，轉換為視覺品質良好、細節清晰的影像。近年深度學習方法（尤其是 CNN 和 Transformer 架構）在此領域取得突破，廣泛應用於智慧型手機夜間拍照、自動駕駛夜間感知、監視攝影機影像優化及醫療影像增強等場景。

## 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。

---

來源：https://aiterms.tw/terms/low-light-image-enhancement
快查頁：https://aiterms.tw/terms/low-light-image-enhancement
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-low-light-image-enhancement