结合内外先验知识的低照度图像增强与去噪算法

都双丽，党慧，赵明华，石争浩

西安理工大学计算机科学与工程学院，西安 710048

0 引言

在夜间或逆光等条件下，图像采集设备获取的影像常存在大面积暗区、对比度低、有效信息少以及噪声污染严重等问题，这些降质给后续高级视觉任务带来了极大挑战。低照度图像增强旨在通过一些原理和方法尽可能地恢复场景的真实信息。早期研究主要面向编码后的图像格式，如PNG（portable network graphics）、JPEG（joint photographic experts group）等（余春艳 等，2017）。近年来，随着硬件计算能力的提升，面向原始光学传感器数据（Raw）的增强算法越来越多（Wei 等，2020）。然而，很多便携式采集设备仍不支持Raw 数据格式，且在一些特殊的应用中，只可获取编码后的图像。本文基于Retinex（retina cortex）模型提出一种面向编码后的低照度图像增强算法。目前，面向该类影像的增强算法可分为传统模型驱动算法和基于深度学习的算法两类。

基于深度学习的低照度图像增强算法取得了显著的性能提升。如，Ren 等人（2019）采用两个分支分别预测场景信息和图像边缘细节。Lim 和Kim（2021）在图像域和特征域使用拉普拉斯金字塔来调整全局光照和恢复局部细节信息。黄鐄等人（2019）提出一种基于条件生成对抗网络的增强方法，采用一个有编解码功能的网络作为生成模型，将一个具备二分类功能的网络作为判别模型。这类有监督的算法需“弱光—正常曝光”图像对，而捕获这类数据比较困难，且正常曝光图像很难唯一设定。因此，基于端到端策略学习到的模型用于新数据时，常会出现亮度偏移、颜色失真等问题。为了提升模型的泛化性，一些非监督算法涌现出来。如，Jiang 等人（2021）基于生成对抗网络提出EnlightenGAN（enlighten with generative adversarial network）方法，利用全局—局部判别器来处理光照不均匀的问题。Li等人（2022）提出一种无需参考图像的像素级动态范围调整曲线估计法（zero-reference deep curve estimation，Zero-DCE）。

为了进一步提高深度模型的普适性，一些学者用物理成像模型来指导表示学习。Retinex 是最常用的模型，认为图像中任意一点的像素值由光照分量和反射分量相乘得到。Zhao 等人（2022）不需要任何参考图像，将Retinex 分解转换为基于高斯噪声的图像生成问题。Yang 等人（2021）利用光照分量的平滑性假设，构建了稀疏梯度约束分解网络。江泽涛等人（2021）引入注意力机制和密集卷积模块以提升分解性能。Wu 等人（2022）先构建光照分量和反射分量的优化问题，然后将其展开为可学习的深度网络来求解。

基于Retinex 的传统方法也是低照度图像增强领域的研究热点。由于灵活性强、计算效率高，基于变分的Retinex 增强算法得到广泛关注。该类算法主要寻求具有何种结构的光照分量和反射分量，经Gamma 校正后可还原暗区细节，常利用先验假设，对两个分量的视觉结构表象构建约束。为此，涌现出很多有效的变分变体及加权变分约束模型。Ng和Wang（2011）为了抑制明亮区域梯度的变化幅度，将原始图像经对数变换到对数域。Fu 等人（2016）证明在对数域进行Retinex 分解并不理想，提出一种加权变分模型（weighted variational model，WVM）。Cai 等人（2017）依据局部平均变分（mean local variance，MLV）构建像素级加权变分模型，可放大暗区的梯度变化幅度，恢复图像细节。Xu 等人（2020）发现利用指数级局部平均变分（exponentiated mean local variance，EMLV）作为加权权重，在Retinex 分解时，可生成原图的卡通—纹理图。

上述算法在暗区细节信息恢复上的性能提升明显，但多是面向普通低照度图像，应用到照度特别低的图像时，不能较好地平衡Gamma 校正因子取值与亮度提升及颜色失真之间的关系，出现色彩失真和图像欠增强间的不可调和问题。其次，除亮度提升和色彩恢复外，低照度图像增强还需考虑噪声放大的问题。一些基于Retinex 的算法假设光照分量平滑、无噪声，则低照度图像中的噪声显现在反射分量中。Li等人（2018）通过调整反射分量中梯度幅度小的点来抑制噪声，该方法不适用于高强度噪声。Hao 等人（2020）联合高斯全变分（Gaussian total variation，GTV）和普通全变分（total variation，TV）从反射层中去噪。Ren 等人（2020）利用图像非局部自相似性（non-local self-similarity，NSS）原理，为反射分量构建基于低秩矩阵恢复的去噪模型。这些算法仅借助反射分量的自身信息，即内部先验来区分噪声与图像纹理，去噪性能受限，图像纹理常连同噪声信息一同去除。

针对上述问题，本文提出一种基于Retinex 的低照度图像增强与去噪算法，旨在提高图像亮度和恢复色彩时，剔除噪声。为了能处理照度特别低的图像，首先估计输入图像的全局光照强度，并对图像进行初始光照校正。其次，构建了基于内外双重先验约束的去噪机制，为反射分量构建基于自身的内部先验约束，为增强后的图像构建基于正常曝光自然图像的外部先验约束，使内外约束相互制约。大量实验结果表明，所提算法有着良好的图像增强结果。

1 研究动机

Retinex 理论认为人眼或图像采集设备所感知的物体亮度由物体本身的反射分量和环境光照两个因素决定，数学模型为

式中，I是观测图像，环境光照分量L反映环境光到达物体表面的光照强度，反射分量R反映物体的固有属性，∘表示矩阵的Hadamard 乘积。现有增强算法主要通过对光照分量进行Gamma 校正实现增强，即

式中，Ien为增强后图像，γ是Gamma校正因子。通过式（2）增强的关键是如何进行Retinex 分解，求取有效的光照分量和反射分量。Retinex 分解在数学上属于病态问题，存在无数解。学者依据两个分量的物理意义，提出了很多有效的正则化方法来约束分解结果。例如，WVM（Fu 等，2016）、JieP（joint intrinsic extrinsic prior）（Cai 等，2017）和STAR（structure and texture aware Retinex）（Ren 等，2020），常认为光照强度变化相对缓慢，属于图像的低频部分，反射分量携带图像的大部分细节，属于图像的高频部分。这类基于Retinex 的方法用于普通低照度图像增强时，效果明显，如图1（a）示例1 所示。但直接用到极低照度图像时，会出现γ取值较大时，亮度提升不足；γ取值较小时，色彩失真明显等问题，如图1（a）示例2所示，其max(Ic)，c∈{r，g，b}的值均小于0.15，全局环境光照较低。Wang等人（2019）提出了低照度下的吸收—散射成像模型（absorption light scattering model，ALSM），增强效果提升明显，如图1（e）所示。

图1 不同光照条件下的低照度图像增强结果对照图Fig.1 Comparison of low-light image enhancement in different illumination conditions（（a）low-light images；（b）histogram of max(Ic)，c∈{r，g，b}；（c）JieP，γ=0.454；（d）STAR，γ=0.454；（e）ALSM；（f）ours，γ=0.454；（g）JieP，γ=0.125；（h）STAR，γ=0.125）

其次，低照度图像常伴有隐藏噪声，增强后噪声会放大，如图1（g）（h）所示。因此，噪声抑制也是低照度图像增强需要考虑的问题之一。由于噪声隐藏在低照度图像中，可判别性特征不明显，现有方法常在反射分量中进行噪声去除，反射分量是高频部分，噪声会凸显出来。常用去噪方法包括数据驱动和模型驱动。数据驱动算法利用大量外部图像学习噪声图像和不含噪声图像间的映射关系，通过挖掘外部先验知识，去噪性能极大提升，但当测试数据与训练数据中的噪声特性差异较大时，性能明显下降。模型驱动算法多基于稀疏表达理论，利用图像自身，通过发掘内部先验知识来重建图像。由于依据信息受限，图像纹理常伴随噪声一同被剔除。在低照度图像增强中，去噪的最终目的是去除增强图像Ien中的噪声，这属于正常光照图像的去噪任务。

目前，对于能否基于深度学习为Ien构建外部先验约束，为反射分量构建内部先验信息，使内外先验相互约束从而提高去噪性能，尚无相关研究。对此，本文针对这些方面进行探索。

2 基于Retinex的低照度图像增强与去噪

本文提出的图像增强与去噪算法流程图如图2所示，主要包括基于场景全局光照的初始光照校正、Retinex分解及基于内外双重先验约束的去噪这3个模块，其中Retinex 分解采用顺序分解策略，先估计光照分量，再估计反射分量，并确保待增强图像中的噪声都显现在反射分量中。

图2 本文算法示意图Fig.2 The flow chart of the proposed method

2.1 环境全局光照估计与光照校正

本文基于暗通道先验原理（He 等，2011），对低照度图像I拍摄环境的的全局光照进行估计。首先将图像的亮度值归一化到区间［0，1］，再计算暗通道图Idark，在暗通道图中选取亮度值排在前10%的像素点，令这些像素点构成集合Ω1，则每个颜色通道的光照强度Ac，c∈{r，g，b}的计算式为

式中，Ic(p)表示待增强图像I的c颜色通道图在像素点p处的值，num(Ω1)表示集合Ω1中元素的个数。则待增强图像I的全局光照A为

如果全局光照A＜0.5，则对待增强图像进行光照校正，进行亮度提升，可避免伽马校正阶段由于校正因子选取不当引起的部分区域过亮或过暗；如果全局光照A≥ 0.5，则属于普通低照度图像，无需处理，校正方法为

2.2 Retinex分解

Retinex 分解可采用交替优化求解和顺序求解两种策略。交替优化求解时，将反射分量和光照分量中的一个看做常量，再更新另一个分量值。通过这种方式，不断地交替更新两个分量，直至达到收敛条件，但反射分量中的噪声会不断干扰光照分量的计算。受LR3M（low-rank regularized Retinex model）算法（Ren 等，2020）启发，本文采用顺序求解策略，先估计光照分量，再估计反射分量，并使噪声显现在反射分量中，记为Rnoise，则Retinex分解可表示为

该分解在RGB（red，green，blue）颜色空间实施，RGB 值能真实反映环境光的强度，有利于色彩保真。由于增强是通过对L进行Gamma 校正实现，本文发现，光照分量中丰富的纹理信息会有效增强暗区细节。为此，通过优化目标函数，可使L具有与Ilow相似的纹理特征且无噪声。具体为

式中，Gσ是标准偏差为σ的高斯滤波器。

根据Retinex 理论，利用式（7）求取光照分量后，可直接计算反射分量Rnoise，具体为

式中，∅表示两个矩阵中对应元素相除，max(L，ε)用于防止分母为零。Rnoise中含有大量噪声，为此本文构建了基于内外双重互补先验约束的去噪机制。

2.3 基于双重互补先验约束的去噪机制

根据式（7）和式（9）求取光照分量和反射分量后，可用Gamma 校正获取含噪声的增强图像Ien_noise，具体为

式中，Lγ是经过Gamma 校正的光照分量，不含噪声，显现在Rnoise中的噪声也体现在增强图像Ien_noise中。不同于单独利用反射分量或增强图像进行去噪，本文基于Rnoise和Ien_noise的特点，为它们各自构建去噪约束，使其相互制约，以提高算法的鲁棒性和普适性。Ien_noise属于正常曝光图像，可看做普通自然图像去噪问题，因此，可利用大量自然图像，基于深度学习技术为其构建约束，具体为

式中，Ien代表去噪声后的增强图像，Θ(Ien)是正则化项，代表提前构建的深度即插即用模块。Rnoise的视觉结构特征动态依赖于低照度图像和Retinex 分解模型，本文通过挖掘其自身的统计特征进行去噪。非局部自相似性（NSS）原理是常用的图像处理技术，依据该原理，本文利用低秩矩阵恢复理论对反射分量构建去噪约束，具体为

式中，R表示去噪后的反射分量，‖· ‖*表示核范数。矩阵Nij(R)依据图像的非局部自相似原理构建，具体如下：1）确定R中以像素点(i，j)为中心、大小为b×b的图像块Rij；2）在R中搜索到n个与Rij相似的图像块，使这些块连接构成矩阵Nij(R)∈

将式（11）构建的外部先验约束和式（12）构建的内部先验约束相结合，形成基于双重互补先验约束的联合优化目标函数。具体为

为了求解式（13），先需消除约束项Ien=Lγ∘R，本文采用拉格朗日乘子法，通过引入变量H，得到新的目标函数，具体为

式中，α是正则化参数，式（14）可通过交替优化求解R与Ien。

1）R子问题。式（14）中低照度图像Ilow、光照分量L和增强后的噪声图像Ien_noise已知，初始化H为元素全为0 的矩阵。然后固定变量Ien和H，求解反射分量子问题为

式（15）可简化为

式（16）是经典的低秩矩阵恢复模型，可采用奇异值收缩法（singular value thresholding，SVT）求取反射分量R，α·Lγ表示对Lγ中每个元素乘以α。

2）Ien子问题。在式（14）中固定变量R和H，求解Ien的子问题为

式（17）可简化为优化目标函数，具体为

可将(α(Lγ∘R+H)+Ien_noise)/(1+α) 输入到提前训练好的深度即插即用模块里，求解得到Ien。

3）H子问题。根据式（16）和式（18）求取R和Ien后，可更新变量H，具体方法为

综上所述，所提出的基于Retinex 的低照度图像增强与去噪算法的具体步骤如下：

输入：低照度图像I。

输出：增强图像Lγ∘R。

1）用式（3）和式（4）估计场景全局光照强度A。

2）用式（5）进行光照校正，得到Ilow。

3）用式（7）估计光照分量L。

4）用式（9）估计有噪声的反射分量Rnoise。

5）用Gamma 校正（式（10））求取含噪声的增强Ien_noise。

6）Fort=1：T

用式（16）估计R。

用式（18）估计Ien。

用式（19）估计H。

7）得到最后增强结果Lγ∘R。

3 实验结果与分析

3.1 数据集和实验设置

实验从DICM（digital images from commercial cameras）（Lee 等，2013）、LIME（low-light image enhancement）（Guo 等，2017）和ExDark（exclusively dark）（http：//web.fsktm.um.edu.my/cschan/source/CVIU/ExDark.zip）公开的低照度图像增强数据集中挑选140幅普通低照度图像（全局光照大于0.5），从LOL（low-light）数据集（Yang 等，2021）中选162 幅极低照度图像（全局光照小于0.15）用于验证本文算法的有效性。

本文算法采用MATLAB 在个人计算机上实现，主要配置为Intel Core i7-10700K，处理器3.8 GB 和内存128 GB。关于外部去噪先验约束Θ()，任何深度去噪模型均可用来构建该约束，本文采用快速灵活 的FFDNet（fast and flexible denoising network）（Zhang 等，2018），使用作者提供的预训练模型（https：//github.com/cszn/FFDNet）作为Θ()，该模型允许用户输入噪声强度参数来适应不同强度的噪声。在实验中，下列参数固定不变。

1）num(Ω1)（式（3）），集合Ω1的元素个数，本文选用图像像素点数的1/10，依据Ω1的构建特点，提高该比例，对于普通低照度图像，其估计的全局光照强度会降低，会被误分为极低照度图像，但对极低照度图像的全局光照强度估计影响较小，因为其像素亮度都很低且非常接近；

2）ε=10-6（式（7）），用于防止分母为0；

3）高斯滤波Gσ（式（8））的标准偏差σ=3，σ取值会影响权重矩阵W，进而影响光照分量L，图3 显示σ越大，L越光滑；

图3 σ取值对光照分量的影响Fig.3 The influence of the value of σ on illumination component（（a）low-light image；（b）illumination component obtained with σ=3；（c）illumination component obtained with σ=7）

4）构建内部去噪先验时，图像块尺寸b×b设置为8 × 8，相似块数量n=70；在去噪阶段，α设置为0.5，其对去噪结果的影响在3.2.1小节讨论；

5）Gamma校正因子γ=0.454，循环次数T=3。

3.2 实验结果

3.2.1 双重互补先验约束去噪结果

不同先验约束下的去噪结果对照图及α对去噪结果的影响如图4 所示。图4（b）显示，单独使用内部先验知识可去除明显的噪声点，但块伪影多，导致背景失真明显。图4（c）显示，单独使用外部先验，去噪结果中仍有大量噪点，主要原因是测试数据特征与训练数据特征差异大，但色彩保真度高。图4（d）显示使用双重互补先验约束，可有效去除块伪影且过滤大量噪声。依据式（18），α表示Lγ∘R参与增强结果的表征权重，即内部先验的表征权重，如图4（b）所示，内部先验可有效剔除噪声点，故α越大，剔除噪声点越多（如图4（e））。

图4 不同先验约束下的去噪结果对照图及α对去噪结果的影响Fig.4 Comparison of denoising under different prior constraints and the impact of α on denoising results（（a）low-light images；（b）internal prior；（c）external prior；（d）dual-prior constraints α=0.5；（e）dual-prior constraints α=0.7）

3.2.2 本文方法与其他方法对比

为了验证本文算法的有效性，与SRM（structure revealing model）（Li等，2018）、LR3M（Ren等，2020）、RetinexDIP（Zhao 等，2022）、EnlightenGan（江泽涛等，2021）、Zero-DCE（Li 等，2022）及URetinexNet（Wu 等，2022）算法进行比较。SRM 和LR3M 是基于Retinex 的传统模型驱动算法，有处理噪声模块，它们的Gamma 校正因子分别取值0.454 和0.333。RetinexDIP、EnlightenGan、Zero-DCE 和URetinexNet是基于深度学习的算法，其中RetinexDIP 和 EnlightenGan 的网络模型考虑了噪声抑制。在对比实验中，这4 种算法采用默认参数设置和作者提供的训练模型。

1）主观评价。图5 和图6 展示了不同方法在极低照度图像和普通低照度图像上的视觉增强对比。结果显示：（1）在极低照度条件下，本文方法和URetinexNet 均取得了相当好的结果，亮度提升明显，色彩保真度高，相较于其他5 种算法，优势明显，且本文方法去噪时能平衡噪声去除与纹理保持间的关系，边缘清晰；（2）在普通光照条件下，本文方法也取得了很好的增强效果，较好地还原了物体本真的色彩，如图6（i）中的船体和塔尖的色彩；与其他算法相比，色彩丰富性降低，因为本文算法通过对低照度图像采用平滑滤波的方式求取光照分量，较好地保留了RGB 三原色之间的关系，而反射分量经去噪后（图6（n））包含的色彩信息非常少，致使图像高频部分携带的色彩信息丢失，故增强结果的色彩（图6（i））与校正后光照分量的色彩（图6（l））基本一致；而SRM 和LR3M 在HSV（hue，saturation，value）色彩空间增强，求取的反射分量色彩丰富（图6（k）），深度学习方法依据训练数据学到了色彩映射关系，均不保留原图像RGB 三原色间的关系，加之噪声的影响，色彩呈现丰富；（3）由于Zero-DCE 没有考虑噪声，增强后噪声明显放大，虽然RetinexDIP 和EnlightenGan 含有噪声抑制模块，但模块简单，仅依赖于外部先验知识，去噪性能受限，当测试数据与训练数据特征差异大时，无法有效判定噪声，故去噪效果与Zero-DCE 相似；（4）SRM 可有效抑制低强度噪声，但仅依据反射分量的梯度变化判定噪声，不考虑噪声的空间特征，去噪性能受限，如图6 中第1 幅测试图像所示；（5）LR3M 去噪性能良好，几乎可去除所有噪声，但由于仅依赖于反射分量的内部先验来判定噪声，图像纹理常伴随噪声一同被剔除；（6）虽然URetinexNet 没有噪声抑制模块，但其通过展开的深度网络来迭代优化反射分量和光照分量，以数据驱动的方式自适应地拟合隐式先验，达到抑噪目的；故测试数据的噪声特征与训练数据的噪声特征相近时，URetinexNet 可有效抑噪（如图5），反之不能抑制噪声（如图6）；（7）本文算法能有效增强极低照度图像，且能剔除隐藏噪声，主要是本文算法先根据场景全局光照强度进行了初步光照校正，将极低照度图像增强任务转换为普通低光照增强问题，且通过结合反射分量的内部先验约束和增强图像的外部先验约束提升了噪声的可判别性，故可有效平衡噪声去除和纹理保持间的关系。

图5 极低照度图像增强视觉感受对照Fig.5 Comparison of visual perception for extreme low-light image enhancement（（a）low-light images；（b）RetinexDIP；（c）EnlightenGan；（d）Zero-DCE；（e）URetinexNet；（f）ground truth；（g）SRM；（h）LR3M；（i）ours）

图6 普通低照度图像增强视觉感受对照Fig.6 Comparison of visual perception for general low-light image enhancement（（a）low-light images；（b）RetinexDIP；（c）EnlightenGan；（d）Zero-DCE；（e）URetinexNet；（f）SRM；（g）LR3M；（h）ours without denoising；（i）ours；（j）illumination obtained by LR3M+Gamma correction；（k）reflection obtained by LR3M；（l）illumination obtained by ours+Gamma correction；（m）reflection obtained by ours without denoising；（n）reflection obtained by ours）

2）客观评价。除主观视觉评价外，对增强结果做了定量评价。由于普通低照度图像测试集无曝光良好的图像可参考，本文采用3 个无参考指标进行评价和分析，包括BTMQI（blind tone-mapped quality index）（Gu 等，2016）、NIQMC（no-reference image quality metric for contrast distortion）（Gu 等，2017）和NIQE（natural image quality evaluator）。BTMQI 通过分析图像自然度和结构来评价色调映射图像质量；NIQMC结合局部结构和全局语义来评价对比度畸变的图像质量。其中，NIQE 和BTMQI 评分越低，图像越自然，质量越高。NIQMC评分越高，代表图像质量越好。而极低照度图像测试集提供了正常曝光图像做参考，因此，除无参考质量评价外，还用峰值信噪比（peak signal-to-noise ratio，PSNR）和结构相似性（structural similarity index，SSIM）两种有参考指标进行度量分析，它们的值越高，代表与正常曝光图像越接近。

表1 显示了在140 幅普通低照度图像上各指标点的均值。可以看出，本文算法在指标点BTMQI 和NIQE 上均取得了次优值，在NIQMC 上表现不佳，但与两种基于Retinex的传统算法接近。4种基于深度学习的算法NIQMC 指标较高，因为它们可利用外部自然图像的对比度先验来校正增强图像的对比度。虽然本文算法也利用了外部先验知识Θ()，但训练Θ()是采用无噪声与有噪声图像对，故Θ()在对比度提升方面的先验信息有限。

表1 普通低照度图像上增强结果定量评价Table 1 Quantitative evaluation of general low-light image enhancement

表2 显示了在162 幅极低照度图像上各指标点的均值。可以看出，本文算法在指标点NIQMC、PSNR 和SSIM 上优势明显，在指标点BTMQI 上与EnlightenGan 性能相近，在指标点NIQE 上与URetinexNet 性能相近。因为本文方法对图像进行了两次光照提升，第1 次光照校正时使RGB 三通道的值相等，接近于自然光照，且Retinex 分解在RGB 空间进行，使增强图像色彩还原度高，亮度提升明显。URetinexNet 也取得了较好的增强效果，而其他5 种算法主要面向普通低照度图像设计，用于照度特别低的图像时，亮度提升不明显。相对于极低照度图像，在普通低照度图像上，本文算法优势不明显，因为参与对比的传统方法SRM 和LR3M 以及深度学习方法均取得了明显的亮度提升和细节恢复，虽然有些结果含有大尺度的噪声，但色彩丰富，看上去很似场景纹理信息，本文算法虽然过滤掉了噪声，但色彩丰富性降低。

表2 极低照度图像上增强结果定量评价Table 2 Quantitative evaluation of extreme low-light image enhancement

综合可见，本文算法可用于不同光照条件下的低照度图像增强，在亮度提升、色彩保真及噪声去除方面均有优势，且增强效果稳定。

4 结论

由于现有低照度图像增强算法多是面向普通低照度图像构建，用于照度特别低的图像时，常会出现亮度提升不足、色彩失真严重等问题，且低照度图像增强后会伴随噪声放大现象。为此，本文提出一种基于Retinex 分解的增强与去噪算法。本文方法通过暗通道先验原理，估计场景光照强度，并对照度极低的图像进行第一次亮度提升，有效解决了亮度提升和色彩失真间的不可调和问题。实验表明，该方法可有效增强不同光照条件下的低照度图像，色彩还原度高。为了去除噪声，本文方法构建了基于内外双重互补先验约束的去噪机制，利用反射分量的内部先验约束，并为初始增强后的噪声图像构建了外部去噪先验，让两种约束相互制约。实验表明，该方法可平衡噪声去除与纹理保持间的关系，使增强后的图像边缘清晰。本文提前用深度网络模型训练的外部先验约束在高斯—泊松混合噪声上效果好，但用于去除增强时产生的尺度较大的噪声块时效果欠佳。下一步的工作将放在外部先验约束的训练模块上，提高算法的鲁棒性。