受煤矿井下光源少、光照不均匀等因素影响，井下采集到的图像存在照度低、呈现大量暗区、细节信息模糊或缺失、过暗产生噪声等问题。现有图像增强方法在进行低照度图像增强时容易出现色彩失真、细节信息丢失等缺点，另外深度学习低照度图像增强方法在一定程度上解决了低照度图像亮度增强的问题，但其模型泛化能力较差，在实际煤矿井下场景应用效果不佳。针对上述问题，利用Transformer本身泛化能力强的优势，本文提出一种基于Transformer模型的低照度图像增强算法。融合Swin v2模块与卷积模块，构建煤矿井下低照度图像的乘法图和加法图，并与原图像进行叠加拟合，以解决细节信息模糊或缺失、过暗产生噪声的问题。同时采用多尺度模块的注意力机制对叠加拟合后的图像进行色彩处理，以解决图像亮度提升有限、存在大量暗区以及色彩失真的问题。经实验表明，相较于LIME、Zero-DCE、RetiNexNet、MBLLEN、KIND算法，本文算法在客观质量指标峰值信噪比（PSNR）和结构相似性（SSIM）上的表现，分别提高了34.76%，55.73%；47.32%，52.76%；22.52%，25.7%；19.615%，12.285%；5.81%，2.625%。同时定性分析结果表明该方法能够对煤矿井下低照度图像进行显著增强，图像亮度达到可视范围，相比其他方法，色彩更加真实，图像细节信息更为清晰。说明本文提出的算法在图像噪声程度、色彩失真程度、对比度、结构相似度以及亮度等方面均具有良好的性能，整体相对较优。

1．井下低照度图像增强网络
1.1 局部分支（Local Branch）
1.2 色彩分支（Color Branch）
1.3 Loss设计
2 实验结果与分析
2.1 定量评估
2.2 定性评估
3 结论