融合深層語義與空間精確度的低照度圖像增強方法*

楊 微 陳孝如 張志威 陳立軍

（1.廣州軟件學院軟件工程系 廣州 510990）（2.華南理工大學計算機科學與工程學院 廣州 510641）

1 引言

在暗夜、室內、背光及惡劣天氣等不理想光照環境采集的圖像存在亮度低、噪聲偽影、細節丟失、顏色失真等退化問題，不利于人類視覺感知，也會對計算機視覺高層任務產生效能退化的影響。低照度圖增強可表示為Ih=fE(Il)，Il代表采集的低照度圖像，fE為圖像增強，Ih表示圖像增強結果，是基于軟件方法提高不理想光照條件環境的成像質量，恢復圖像隱含信息內容的表達，使圖像更加符合人類視覺感官或計算機視覺高層任務需求。由于現實光照的不確定性及存在的噪聲干擾Ih不唯一，fE為NP 問題，屬于計算機視覺中重要且具有挑戰的問題。

對此，早期研究者提出不同的增強方法［1~5］，但基于深度學習的方法是低照度圖像增強主流方法。文獻［6］最早將深度學習用于低照度圖像增強去噪任務中；文獻［7］受傳統Retinex 理論的多尺度加權高斯環繞處理啟發，基于帶殘差結構CNN 網絡設計等價的“高斯差分”結構“MSR-net”，完成低照度圖像增強；文獻［8］設計全局照明感知和細節恢復網絡GLADNet，在大分辨率尺寸下完成低照度圖像細節重建；文獻［9］設計LightenNet 基于CNN網絡學習獲得低照度圖像光照圖并通過gamma 矯正，后基于Retinex 理論獲得反射圖作為增強結果；RetinexNet［10］結合Retinex 理論和深度卷積神經網絡，構建三階段增強網絡進行端到端訓練完成低照度圖像增強；文獻［11~12］結合Retinex 理論及深度CNN，采用分解網絡、恢復增強網絡分階段由粗到細地完成低照度增強；EnlightenGAN［13］基于GAN網絡設計帶注意力引導的U-Net 網絡作為生成器及雙判別器結構對全局及局部信息進行引導，在沒有低/正常光圖像對的情況下無監督完成低照度圖像增強；KinD++［14］基于CNN 網絡設計了側重于光照圖像的交互調整和反射圖像細節增強的網絡結構來重建圖像；Zero-DCE++［15］構建了無監督的訓練網絡估計輸入圖像的亮度曲線，采用迭代遞進的方式進行低照度圖像增強，克服了配對數據的依賴；MBLLEN［16］基于CNN設計由多尺度特征提取模塊、編碼解碼結構的增強模塊、圖像融合模塊構建的低照度增強網絡完成圖像增強；文獻［17~19］針對單幅低照度圖像增強效果不佳，采用相同場景的多幀圖像進行圖像增強，漸進式完成圖像增強任務。

分析發現，由于低照度圖像增強為位置敏感的視覺任務，基于深度學習低照度圖像增強主流為基于CNN的U型架構，如編碼-解碼結構［6，20~22］、U-Net［23］結構及其融合殘差連接的變體結構。U 型網絡結構高分辨率到低分辨率的下采樣階段能獲得上下文語義聚合的特征表示，低分辨率到高分辨率的上采樣恢復階段能獲得空間位置精確的特征表示，但下采樣和上采樣階段會導致用于圖像重建的特征丟失了空間紋理細節的精確度，影響低照度圖像恢復的準確性，出現模糊、對比度細節不足問題。對此，研究者提出U 型多尺度結構、高分辨率單尺度結構及二者混合結構獲取并融合豐富的上下文語義信息特征表示和較準確的空間信息特征表示［24~25］。受此啟發，論文設計“融合全局深層上下文語義及空間精確度特征的低照度圖像增強網絡”，簡稱CCSNet，論文主要貢獻包括：

1）論文基于上下文深層語義信息編碼結構及U 型結構設計了融合深層上下文語義及空間準確度特征的一種端到端的低光照圖像增強網絡CCSNet，不同深度的雙編碼結構并行，分別獲得豐富的全局上下文深層語義特征及空間紋理細節信息保留的特征；2）引入多層次特征融合機制完成U型網絡不同階段、深層上下文語義特征和較準確的空間準確度特征進行融合，得到聚合豐富語義信息及空間準確度的特征表達，提高低照度圖像恢復的準確性；3）引入注意力機制對不同語義尺度信息特征的聚合和篩選，提升網絡特征提取選擇和表達的能力；4）針對設計的網絡結構及解決的問題設計了有效的損失函數。

2 相關研究

2.1 基于端到端深度CNN網絡低照度圖像增強

低照度圖像增強任務中獲取并全面利用保留圖像空間細節的特征信息及深層壓縮的圖像全局上下文語義信息非常關鍵，文獻［16］設計包含特征提取模塊及多個同構并行U 型增強子網的多分支增強網絡MBLLEN來獲取不同層次豐富特征；文獻［26］設計一種結構紋理感知網絡STANet，基于全分辨率網絡分支和帶殘差U 型編碼解碼結構分別提取紋理特征和全局局部特征，融合全局局部及紋理特性特征進行圖像增強；文獻［27~30］設計由全分辨率卷積網絡分支、U 型編碼解碼網絡分支、注意力機制及信息交換融合模塊構成的網絡結構，獲得不同尺度語義信息特征后進行融合，完成進行圖像恢復任務；文獻［31］設計一個低照度增強的混合網絡結構，在編碼解碼結構中增加學習邊緣特征分支，并對內容特征進行融合獲得增強的結果；文獻［32］改良計算機視覺Transformer 結構提出一種編碼器-解碼器U 型轉換器Restormer，用于在高分辨率圖像上進行多尺度局部-全局表示學習，并精心設計多頭轉移注意力（MDTA）模塊聚合局部和非局部像素交互；文獻［33］設計一個保持分辨率不變及多分辨率融合的高分辨率表征網絡HRNet，避免丟失高分辨率空間準確性表征。受文獻［15，27~34］啟發，論文設計了一種融合深層上下文語義及空間準確度特征的端到端低光照圖像增強網絡CCSNet，不同于現有的工作，網絡由兩個不同深度雙編碼結構及一個單解碼結構組成，不同深度雙編碼結構并行編碼分別建模深層壓縮上下文語義特征及較精確的空間信息特征，并進行特征融合用于單解碼結構完成低照度圖像重建，緩解低照度圖像增強網絡高分辨率到低分辨率再恢復高分辨率過程中全局深層上下文語義壓縮和空間精確度特征保留間的矛盾。

2.2 信息特征融合

特征融合包括基于殘差跳躍連接結構實現信息融合［23，26，32］、融合不同輸入源的圖像信息［16~19］、融合增強網絡不同分辨率尺度的特征信息［27~30，32~33，36］、融合增強網絡不同階段的特征信息［15，35］、融合增強網絡不同分支提取的特征信息［26，31］等，能夠彌補低照度圖像增強任務中單一特征語義的欠缺、豐富特征語義層次、緩解有效信息在學習過程的退化，幫助獲得更準確的像素到像素恢復質量。論文采用跳躍連接將基礎U 型編碼結構中的不同分辨率的信息融合到對應分辨率的解碼結構中，補充減少空間精確信息丟失；采用特征通道拼接及特征融合對不同深度雙編碼結構的信息進行融合，融合全局深層上下文豐富的語義信息特征和保留較高分辨率的的空間精確度特征，提高低分辨率到高分辨率圖像恢復的準確性。

2.3 注意力機制

計算機視覺中注意力機制被證明能夠學習發現圖像中有用的信息并關注，而抑制無用的信息［37］，文獻［38~40］提出通道注意力機制對生成特征通道mask，實現對重要的通道特征賦予更大的權重；文獻［41］設計空間注意力機制生成位置空間mask，實現對空間重要的像素位置賦予更大的權重；文獻［41~43］融合通道及空間注意力形成空間通道雙重注意力機制，同時編碼通道及空間的重要性；文獻［44］通過編解碼網絡獲得全局光照預測，在低照度圖像增強工作中形成圖像全局光照注意力機制。文獻［45~46］通過Transformer注意力機制建立圖像特征全局、長程依賴關系，取得非常優秀的任務性能。CCSNet 同樣引入注意力機制關注重要特征信息，提升網絡學習效率及能力。

3 論文網絡模型

3.1 網絡結構

如圖2，CCSNet 整體架構由基礎U 型編碼模塊EMu、U 型解碼模塊DMu、深層上下文語義編碼模塊EMc、跨尺度特征融合模塊FFM、注意力機制模塊AM 構成。其中EMu和EMc構成不同深度雙編碼結構，并行對輸入低照度圖像提取不同層次語義信息SF、CF，見式（1）、式（2）所示，SF為保留較精確空間信息的特征，CF為壓縮的全局深層上下文語義特征，完整圖像增強過程見式（3）。

1）特征提取結構。如圖1 中上半部分基礎U-Net 結構，EMu為了保留更多高分辨率空間信息，降低了網絡深度，首先輸入低照度圖像由2*（3*3）空洞卷積提取32 通道的輸入特征，保證更大感受野的同時不損失空間信息；接著經過Maxpooling 下采樣操作得到原始輸入圖像1/2 分辨率的特征圖；在輸入圖像的1/2分辨率空間層，特征圖經過2*（3*3Conv+BN+Relu）常規卷積進行特征轉換后通道翻倍并Maxpooling 下采樣操作得到原始輸入圖像1/4分辨率的特征圖；在輸入圖像1/4分辨率空間層特征圖經過和1/2分辨率層相同的操作得到1/8 空間分辨率的空間特征SF。習建模低照度輸入圖像深層壓縮聚合的上下文語義信息，為了緩解由于網絡深度加深發生的梯度分散和網絡退化問題，采用預訓練的分類網絡Resnet101［47］為骨干網絡構建。如圖1 下半部分，EMc分別獲取Resnet101 網絡Stage3 及Stage4 兩個不同尺度的語義信息輸出，分別通過通道注意力AM［38］進行特征選擇；Resnet101 網絡輸出層對Stage4 施加通道注意力的輸出結果再執行乘運算的特征再選擇；后兩不同尺度語義信息再分別執行線性插值上采樣到SF相同的分辨率，在通道層拼接后得到聚合了低照度圖像豐富的深層上下文語義信息的特征CF。AM 結構參考文獻［38］，對重要的特征通道更大的權重，優化特征的選擇能力，幫助建模輸入圖像的長程依賴、全局關聯的深層上下文語義特征。（SF,CF）在特征通道層Concatenate 后得到空間精確度特征及豐富深層上下文語義特征的拼接特征。

圖1 MEF測試集采樣低光照圖像增強視覺效果示例（顏色框表示局部放大對比區域）

圖2 CCSNet網絡結構圖

2）信息融合結構。為了減少基礎U 型網絡下采樣過程中存在的信息遺忘及網絡空間精確度信息丟失，CCSNet 增加殘差跳躍連接，建立基礎U 型網絡編碼過程和解碼過程相同分辨率之間信息的傳遞的連接；為了有效利用提取豐富特征語義信息，對不同深度雙編碼結構EMu、EMc獲得的深層上下文語義信息特征表示CF和較準確的空間信息特征SF進行通道層拼接融合。如圖3 所示，（SF,CF）特征在通道層拼接后進行融合，首先經過“3*3Conv+BN+Relu”操作，后基于通道注意力機制對通道選擇后再進行殘差加操作，得到融合豐富的語義信息特征表示和較準確的空間信息特征表示，輸出特征經過U 型解碼模塊DMu完成低照度圖像重建。FFM 模塊能夠平衡語義壓縮和空間位置信息丟失的矛盾，能夠得到豐富的圖像恢復的特征表示。

圖3 FFM網絡結構圖

3.2 網絡損失函數

論文針對提出的CCSNet端到端低照度增強網絡結構及低照度圖像增強的目標，提出由主要損失函數和輔助損失構建的復合損失函數，從不同層面約束引導網絡得到綜合較優的增強結果。其中，主要損失函數為圖像重建損失引導圖像進行重建；輔助損失包括對比度損失、感知損失、顏色損失，提升低照度圖像的對比度、顏色等綜合質量。具體如下：

1）圖像重建損失約束。用于評估增強圖像Ih和真實參照圖像IN之間內容的差別，表示為Lrec。考慮到Charbonnier［48］具有更好的魯棒性及SSIM［49］損失具有對局部結構變化的感知敏感，Lrec由Charbonnier損失LChar和SSIM 損失Lssim構成，見式（4），α及β為平衡系數，分別設置為1和0.1。

2）感知損失。為使增強圖像Ih更具有真實性，引入感知損失Lper［50］，見式（5），Ih為網絡增強結果，IN為參考圖像，Φj表示VGG16網絡第j次卷積得到的特征映射，Cj、Wj和Hj表示特征圖通道、寬度及高度。

3）圖像對比度損失約束。為了約束增強圖像Ih和真實參照圖像IN之間具有一致的對比度，引入對比度損失Lspa［15］，見式（6），K表示圖像劃分區域的數量，Ω( )i表示以像素點為中心的區域，設置為4。

4）顏色一致性損失約束。為使增強圖像Ih和真實參照圖像IN應該具有較好顏色一致性，引入顏色一致性損失約束Lc，由監督顏色損失函數Lc1［51］及無監督顏色損失函數Lc2［15］。見式（7）及式（8），其中G表示高斯模糊操作，Jp、Jq分別表示增強圖像Ih的p和q通道的平均強度值，p和q表示圖像的通道。

5）總損函數。如下式所示，依據實驗論文設置λ1=0.1，λ2=0.1，λ3=0.1。

4 實驗結果及分析

為了驗證論文提出方法的有效性，從MEF、low、DICM、Fusion、NPE 等公共測試數據集和LOL數據集［10］中選擇了不同光照退化質量的測試圖像，與有監督［6，16，52］、無監督算法［15］、基于物理模型算法［9，10，14］、基于GAN 算法［13］等主流增強算法進行定性及定量分析實驗對比，證明了論文提出方法的有效性，獲得有較對比算法更強泛化能力且亮度提升自然、噪聲偽影不明顯、顏色豐富真實的增強結果。

4.1 實驗環境及數據集

論文在搭載GeForce GTX 1660Ti 6G GPU、Intel（R）Core（TM）i7-9750H CPU、Windows11 操作系統的PC 機上，基于PyTorch 框架構建CCSNet 網絡。網絡使用的訓練數據集為BrighteningTrain［53］，該數據集包含1000 張低照度和正常曝光數據對，圖片為384*384*3，其中985數據對用于訓練，15對用于評估，訓練中圖像隨機切片的patch size 為256*256*3，輸入圖像被歸一化到［0，1］區間。網絡訓練優化器使用Adam 優化器，學習率設置為lr=le-5，β1=0.9，β1=0.999，ε=10-8，當訓練任務完成2/3 時，學習率衰減10%，網絡共訓練1400個epoch。

4.2 實驗結果定性分析

如圖1，CCSNet 增強結果全局亮度提升較好、顏色自然主觀感知較好，細節恢復、對比度提升及噪聲預制水平較好，見藍色放大區域的樹木建筑層次及紅色放大區域的涼亭的巖石和屋檐區域。觀察圖中藍色框及紅色框放大區域：文獻［6］細節模糊，顏色失真；文獻［10］放大區域噪聲偽影嚴重；文獻［13~16］亮度提升不足且在不同程度的顏色失真、模糊、噪聲。

如圖4，第一列為存在不同程度的曝光不足、噪聲、對比度低、細節被覆蓋、顏色失真等退化問題的測試圖像；中間列為對比算法增強結果；最后一列為論文方法CCSNet 增強結果。首先整體觀察，CCSNet 網絡在各不同低光照場景中增強質量更穩定，能夠適應不同低光照條件，具有更好的泛化性能。其次自上向下依次橫向分析對比，圖4（a）為CCSNet 增強結果能自適應增強圖像全局亮度，重建極暗中書柜區域的部分輪廓（文獻［6，15，14］黑色框增強幾乎失效，文獻［10］重建書柜區域輪廓較豐富但出現偽影），恢復窗外房屋、圍墻、樹木、草地的顏色層次（對比算法均存在不同程度的顏色失真，特別文獻［14］窗戶及窗外的樹木顏色失真嚴重），保留較完成的場景細節紋理（文獻［16，6］圖像存在過渡平滑丟失紋理細節），視覺感知自然，沒有出現嚴重的偽影噪聲（文獻［10］存在較多噪聲偽影）。圖4（b）中CCSNet 較對比算法增強結果更自然（文獻［16，6，14］存在模糊、偽影、顏色失真，場景不自然），全局光照均勻且保留較好的場景深度信息（文獻［13，14］畫面較深的區域增強失敗），色彩真實（文獻［16，6，15］整體色調重建失敗，文獻［10］水面、天空、河道右邊的燈光區域出現不同程度的彩色光暈現象），結果建筑物對比度及細節感較好（文獻［16，6，14］河流兩旁建筑存在模糊、細節丟失、黑影），但是由于輸入圖像光照退化嚴重，天空區域出現偽影（對比文獻同樣存在不同程度的偽影）。圖4（c）為反射光成像，文獻［16］增強結果整體偏暗，黑色框中樹叢亮度增強不足，遠山丟失了巖石的紋理細節；文獻［6］過渡平滑出現模糊及對比度細節丟失；文獻［13］紅色框標注區域及文獻［10］出現彩色偽影；文獻［15，14］屋頂瓦塊邊緣曝光不足出現黑暈及不自然情況；CCSNet 整體增強光照較均勻，沒有明顯的黑影、偽影和顏色不自然。圖4（d）為非均勻光照成像，文獻［16，6］地面、房子墻體的紋理細節等由于平滑丟失；文獻［14］增強結果存在嚴重顏色失真、黑色偽影，整體視覺感官不自然；文獻［10，15］的整體亮度增強較好，但存不同程度的陰影；CCSNet 整體亮度增強較文獻［10，15］不足，但亮度提升對比度自然，能夠抑制噪聲偽影、矯正失真顏色。圖4（e）為夜晚非均勻光照成像，文獻［16］建筑及地面由于過于平滑出現細節紋理丟失；文獻［6，15，14］整體存在不同程度顏色失真、虛化、細節丟失；文獻［13］中整體顏色和亮度重建較好，但紅框區域出現彩色偽影；文獻［10］中對于室內亮燈的窗戶區域出現嚴重的污染，且整體重建結果不真實，偽影嚴重；而CCSNet增強結果亮度均勻，沒有明顯的噪聲，色彩較自然地凸現了黑暗中的房屋結構。圖4（f）為背光成像，文獻［13，15，16］前景亮度增強不足且背景黑色偽影抑制失敗，特別文獻［16］動物眼睛、胡須邊緣細節紋理丟失；文獻［6］黑色框區域丟失細節，動物耳朵和后頸脖子存在不自然黑暈；文獻［10］前景增強對比度較好，但結果顏色不真實；文獻［7，14］整體增強亮度、細節、對比度較好，相比文獻［14］，CCSNet 增強結果抑制了背景中黑暈把天空色彩重建的較自然完美，前景中動物的顏色也更豐富自然。圖4（g）中文獻［16］存在過度平滑，重建圖像丟失部分紋理細節；文獻［2，10］中紅色區域的色彩偽影導致模糊和細節丟失；文獻［14］紅色框區域相對其他增強結果模糊及噪聲更明顯；文獻［13，15］及CCSNet增強結果整體亮度、對比度和顏色綜合較優。

如圖5，第一列為輸入，第二列為真實的參考圖，中間為對比算法，最后一列為論文CCSNet增強結果；黑色框區域為增強失敗特別注意區域；圖像下面為信噪比PSNR 及結構相似度SSIM 兩個圖像質量評價指標，紅色代表最佳指標。圖5（a）中CCSNet 增強結果獲得最佳的SSIM 指標，整體主觀視覺上色彩豐富自然，亮度提升均勻，沒有出現局部過暗、偽影模糊（文獻［16］色彩偏灰白，黑色框區域由于過渡模糊丟失紋理場景信息；文獻［6，13，15，14］布偶頭部區域存在黑色偽影，尤其文獻［13］整體圖像存在模糊偽影和細節紋理丟失；文獻［10］存在噪聲及水杯顏色錯誤的增強）。圖5（b）中CCSNet 增強結果獲得最佳的PSNR 指標，在黑色框處存在較淺的綠色偽影，但整體亮度提升較好，沒有局部黑影（文獻［6，13，10，14］增強結果中時鐘及其周邊存在黑邊或是沒有恢復的黑色區域）；圖像細節對比度較自然沒有過渡平滑及大量的噪聲現象（文獻［6］增強結果整體存在過渡平滑細節丟失的情況，尤其注意黑色框中的窗戶區域；文獻［10］存在不自然的偽影現象；文獻［16，15］增強結果的窗戶區域存在大量噪聲）；水道數字旁的色帶、窗外的遠山及全局整體的色彩得到了重建恢復（文獻［6，14］中窗外的遠山顏色重建失效，文獻［1］整體色彩偏暗不自然）。

圖5 LOL數據集增強結果可視化對比（放大視覺效果更直觀）

圖5（c）中CCSNet 增強較對比算法獲得最佳SSIM 指標，視覺上整體實現了全局自然和諧的增強沒有過曝光及模糊偽影（文獻［6，13］的黑框區域存在模糊及偽影，尤其文獻［6］由于模糊丟失細節信息），色彩層次豐富真實（文獻［16］增強結果顏色鮮亮但丟失了紋理細節，且右起第三件黑灰色衣服領子的紅色邊顏色恢復失敗，文獻［10，14］黑色衣服顏色恢復失敗且不真實）。圖5（d）中CCSNet 增強較對比算法獲得最佳SSIM 指標，增強結果全局亮度提升均勻、對比度細節較好，沒有明顯的偽影及噪聲，唯一真實恢復重建圖像中裝訂機的顏色（文獻［6，16］增強結果模糊偽影較嚴重，文獻［10，13，15］黑色框區域噪聲明顯且存在偽影，文獻［14］存在多處有顏色的偽影，書本書頁處顏色亮度不足，存在較多黑暈現象）。

通過圖1、4、5綜合分析對比，CCSNet在不同測試數據上較主流算法具有更好的魯棒性及泛化性，能夠適應不同程度的光照退化場景，包括惡劣條件下的圖像增強，具有全局及局部自適應的亮度增強；提升圖像細節對比度，抑制噪聲減少偽影現象，獲得色彩層次豐富真實的視覺感官。

4.3 實驗結果定量分析

在定量分析實驗中，論文圖像質量評價指標選擇信噪比PSNR、結構相似度SSIM［49］、均方根誤差RMSE、自然保持度NIQE［54］、圖像顏色度量指標Colorfulness［55］，其中Colorfulness基于對手顏色空間（rg、yb），檢驗實驗指標和研究參與者分配給圖像的色彩之間的相關性值，值越大表明低照度圖像增強結果色彩保持及性能越好，見式（10）~（11）所示，μ、σ分別為像素強度均值和方差。

論文在測試數據集上對比主流的低照度增強方法，統計了PSNR、SSIM、RMSE 三個指標平均值，如表1所示，CCSNet網絡增強結果在三個圖像質量評價指標中均獲得最佳的性能，較次有算法PSNR、SSIM、RMSE 分別提升比例為0.259、0.132、0.446，優于對比算法。如表2 所示，論文公共測試數據集及LOL 數據集分別進行了對比性能定量分析，其中，在公共測試數據集中CCSNet 網絡增強結果取得了更優秀的NIQE 指標，較次優算法提升了0.083；在LOL 測試數據中PSNR、SSIM 均取得更優秀的性能；Colorfulness色彩度量指標在對比算法中處于中間位置，綜合表明網絡增強結果具有對比優勢的顏色矯正能力，在LOL測試數據上的表現也證明了這一點。綜合對表1、表2 數據分析，CCSNet網絡在定量實驗對比分析中取得了綜合較對比的主流基于深度學習的低照度增強算法更優的性能。

表1 圖像質量評價指標PSNR、SSIM、RMSE的比較

表2 不同數據集圖像質量評價比較

5 結語

論文針對主流深度學習低照度圖像增強網絡架構中深層上下文語義特征獲取與保留空間精確度特征間的矛盾，設計了一種融合全局深層上下文語義及空間準確度特征的端到端低光照圖像增強方法，不同深度雙編碼結構并行獲取并融合利用深層上下文語義的特征及保留空間精確度的特征完成低照度圖像重建的任務。與不同類型主流算法對比進行定性及定量分析實驗對比，結果表明論文方法取得了更好的圖像質量評價指標及更強泛化能力、亮度提升更自然、噪聲偽影不明顯、顏色豐富真實的綜合增強質量。低照度圖像增強依舊是計算機視覺研究中的底層關鍵且具有挑戰的研究方向，未來將深入挖掘不同低光照場景圖像光照內在本質規律，建立起低光照圖像增強與高層視覺任務的關聯，提升計算機視覺高層任務效能。