点击上方“小白学视觉”，选择加"星标"或“置顶” 重磅干货，第一时间送达你是不是也遇到过这种情况：阳光正好时想拍张逆光大片，结果照片里全是乱糟糟的光斑、条纹；晚上拍路灯，画面糊成一片，连星星点点的光源都看不清？这些讨厌的"光污染"，在计算机视觉里被称为"镜头眩光"，不仅影响颜值，还会让自动驾驶的目标检测、监控识别等任务频频出错。
最近，TPAMI 2025上的一篇论文《基于对抗曲线学习的图像镜头眩光去除》给出了新思路，不仅能把眩光"擦"得干干净净，还能保住画面里的每一个光源，甚至换个手机拍的图也能完美处理！今天就来聊聊这篇论文有多神～
论文信息
题目：Image Lens Flare Removal Using Adversarial Curve Learning
基于对抗曲线学习的图像镜头眩光去除
作者：Yuyan Zhou, Dong Liang, Songcan Chen, Sheng-Jun Huang
源码：https://github.com/YuyanZhou1/Improving-Lens-Flare-Removal
先吐槽：以前的去眩光方法，问题真不少！
其实科学家们早就开始研究去眩光了，但效果一直不尽如人意。最大的麻烦在于——没有足够的"配对数据"。你想啊，要训练AI去除眩光，得有"带眩光的图"和对应的"无眩光原图"吧？但现实中很难拍到完全一样的两张图，所以大家只能靠合成数据。
以前合成数据的思路特别简单：找一张正常图，再叠一张纯眩光图，直接相加就完事了。但这方法有俩大bug：
**画面容易"过曝"**：就像图1左边那样，强光地方一片惨白，细节全没了，因为它没考虑相机的"自动曝光"和"色调映射"（简单说就是相机处理光线的独特套路）。
光源留不住：AI经常把光源当成眩光一起删掉，或者用"硬阈值"判断（比如亮度超过0.99才算光源），结果要么漏了暗一点的光源，要么多个光源只留一个（图1右边就是反例）。
图1：左边是传统合成方法的过曝问题，右边是旧方法漏检光源的尴尬
新方法放大招：从"合成数据"到"泛化能力"全升级
这篇论文的厉害之处，在于从根上解决问题。团队一口气放了四个大招，咱们一个个看～
大招1：会"模仿相机"的合成管道，数据更真实！
相机拍照时，从传感器接收到光线到最终出图，要经过一整套"图像信号处理（ISP）"流程，比如色调映射（把强光压暗、弱光提亮）、伽马校正（让颜色更符合人眼感知）。以前的合成方法完全不管这些，难怪合成的图不真实。
新方法聪明在哪？它在"伽马反转空间"里搞事情：给场景图和眩光图的每个像素"算账"——根据亮度分配权重。亮的地方（比如光源附近），眩光占比高；暗的地方，场景图占比高。就像给两张图做"智能混合"，既不会过曝，又符合相机的真实成像逻辑。
看下面的图4，传统方法合成的图亮度明显偏亮（红色曲线），而新方法合成的图（蓝色曲线）和真实逆光图（绿色曲线）几乎重合！用这种数据训练AI，效果能差吗？
图4：新方法合成的数据亮度分布更接近真实照片
大招2：对抗曲线学习，换手机拍也不怕！
你可能发现过：用iPhone拍的图去眩光效果好，换成安卓就拉胯？因为不同手机的ISP不一样，处理光线的"套路"千差万别，AI很容易"认死理"。
论文团队把这个问题变成了"对抗游戏"：训练一个"曲线生成网络"，专门给当前AI制造"最难处理的光线情况"（模拟不同手机的ISP）；同时训练"去眩光网络"，努力适应这些"刁难"。就像练武术时找各种风格的对手过招，练出来自然身手不凡。
结果就是：不管是iPhone、小米、华为还是iPad拍的图，AI都能稳稳拿捏。比如下面的图9，旧方法在iPad拍的图上连眩光条纹都去不掉，新方法不仅能清干净，还不影响画面其他部分。
图9：不同设备拍摄图像的去眩光效果对比，ACL是论文提出的方法
大招3：多光源恢复，大小明暗都能留！
拍夜景时，天上的月亮、路边的路灯、远处的车灯，怎么让AI既去掉眩光，又把这些光源都保留下来？以前用"硬阈值"的方法太死板，亮一点的留得住，暗一点的就没了。
新方法用了个"软技巧"：选一个"强凸函数"当权重（比如x的15次方）。简单说，就是让亮度越高的地方，权重越大——光源作为最亮的部分，自然会被重点保留，而周围的眩光则被过滤掉。不管是单个月亮，还是一群路灯，都能原原本本留下来（看图7和图8）。
图7：左边是旧方法漏检夜间光源，右边是新方法完美恢复月亮和路灯
图8：新方法能同时恢复多个不同大小的光源
大招4：新数据集上线，15种设备拍了300张图！
想测试AI的真实能力，得有靠谱的测试集。以前的数据集要么设备单一，要么眩光类型少，根本测不出AI的"泛化力"。
团队专门收集了15种消费电子设备（从iPhone 11到华为Mate 40，甚至还有iPad）拍的300张图，白天晚上都有，眩光的形状、颜色、位置五花八门（看图5）。有了这个数据集，谁的方法真好用，一测就知道！
图5：新数据集中不同设备拍摄的眩光图像，形状颜色各不相同
效果有多牛？看对比就知道！
话不多说，直接上结果。
在定性对比里（图6），传统方法要么去不干净眩光，要么把画面搞得灰蒙蒙；专门去夜间眩光的方法，白天就歇菜。而新方法不管白天黑夜，眩光清得干干净净，画面还特别通透。
图6：不同方法的去眩光效果对比，最后一列是论文方法
定量指标更能说明问题：在PSNR（峰值信噪比）和SSIM（结构相似性）这两个衡量图像质量的硬指标上，新方法远超传统方法，甚至用了Transformer的Uformer模型搭配新合成数据，效果还能再上一个台阶。
更绝的是对下游任务的帮助。比如目标检测（图12），带眩光的图里，YOLOv5把眩光当成汽车、交通灯，连被眩光挡住的椅子都没认出来；用新方法去眩光后，检测器瞬间"擦亮眼睛"，该认的全认对了！
图12：去眩光后，目标检测效果明显提升
一点小遗憾和未来可期
当然，新方法也不是完美的：对抗曲线学习需要同时训练两个网络，计算成本翻倍，训练时间和内存消耗都增加了。但为了换来得心应手的泛化能力，这点代价似乎很值。
总的来说，这篇论文从数据合成、模型泛化、光源恢复三个核心问题入手，一步步破解了镜头眩光的难题。以后不管用什么设备拍逆光、夜景，再也不怕眩光毁片了～ 对了，论文的源码已经开源，感兴趣的小伙伴可以去扒一扒细节！
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：人工智能0基础学习攻略手册
在「小白学视觉」公众号后台回复：攻略手册，即可获取《从 0 入门人工智能学习攻略手册》文档，包含视频课件、习题、电子书、代码、数据等人工智能学习相关资源，可以下载离线学习。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
)
