LUMINA-Net est un framework d'apprentissage profond non supervisé pour l'amélioration des images en basse lumière (LLIE). Il apprend des informations a priori adaptatives à partir de paires d'images en basse lumière en intégrant des modules d'éclairage et de réflectance multi-étages. Il facilite la décomposition Retinex en supprimant les caractéristiques non pertinentes des images originales grâce à un mécanisme simple basé sur l'apprentissage auto-supervisé. Le module d'éclairage ajuste intelligemment la luminosité et le contraste tout en préservant les détails de texture complexes, tandis que le module de réflectance intègre un mécanisme de réduction du bruit qui utilise l'attention spatiale et l'amélioration des caractéristiques par canal pour atténuer la contamination par le bruit. Grâce à des expériences approfondies évaluées à l'aide des métriques PSNR, SSIM et LPIPS sur des jeux de données LOL et SICE, LUMINA-Net démontre ses performances supérieures aux méthodes de pointe.
