煤矿井下监控图像中存在噪声，清晰度低，且颜色和纹理信息缺失，采用基于机器学习的图像增强方法时还面临低照度-正常照度图像配对数据集采集困难的问题。提出一种改进零参考深度曲线估计（Zero-DCE）模型，并将其应用于矿井低照度图像增强。使用Leaky ReLU激活函数替换Zero-DCE模型中的ReLU激活函数，以加快模型收敛速度，提升低照度图像特征学习效率；在Zero-DCE模型浅层与深层网络之间的跳跃连接处引入卷积块注意力模块（CBAM），以提高模型对图像关键特征的表达能力；在浅层网络中引入非对称卷积块（ACB），以优化模型对局部图像特征的学习能力和细节特征的表现能力；在深层网络中采用串联卷积核（CCK），以降低模型参数量和计算量，缩短模型训练时间。采用LOL公共数据集和矿井自建数据集进行实验验证，结果表明：改进Zero-DCE模型的均方误差（MSE）、峰值信噪比（PSNR）、结构相似性（SSIM）、自然图像质量评估器（NIQE）和视觉信息保真度（VIF）整体上优于典型图像增强模型，在自建数据集上的MSE和NIQE较Zero-DCE模型分别降低16.25%和2.93%，PSNR，SSIM和VIF分别提高2.87%，1.87%和17.64%；图像增强视觉效果较好，可在提高图像亮度的同时有效保留细节纹理信息，降噪效果明显；对单幅图像的推理时间为0.138 s，可实现图像实时增强。

0 引言
1 Zero-DCE模型
2 基于改进Zero-DCE模型的图像增强方法
3 实验及结果分析
3.1 实验条件及评价指标
3.2 消融实验
3.3 对比实验
4 结论

王轶玮,李晓宇,翁智,等.基于改进Zero-DCE模型的矿井低照度图像增强方法[J/OL].工矿自动化,1-9[2025-03-07].https://doi.org/10.13272/j.issn.1671-251x.2024110072.