低质量图像会显著降低深度学习模型性能，需从数据预处理、质量感知增强、模型结构加固及鲁棒训练评估四方面协同优化。
直接上干货：低质量图像（模糊、噪声大、分辨率低、光照不均）会让深度学习模型性能明显下滑，但不是无解。核心思路不是“硬喂烂图”，而是从数据、模型、训练三端协同优化。
预处理阶段：让图像“先达标”
模型不会自动理解“这图很糊”，得靠预处理帮它降低理解门槛：
-
自适应直方图均衡化（CLAHE）：比普通均衡化更稳，特别适合光照不均的医学或夜间图像，能拉开暗部细节又不放大噪声；
-
非局部均值去噪（Non-local Means）或 FastDVDNet：比高斯滤波保留更多边缘，适合含纹理的目标（如裂纹、细胞结构）；
-
超分辨率预修复（轻量级）：用 EDSR 或 Real-ESRGAN 的小模型做 2× 上采样，不求完美复原，只为让关键特征（如边缘、角点）更可辨；
-
统一尺寸 + 填充策略优化：避免简单拉伸变形，改用 reflect 或 replicate 填充，减少黑边引入的虚假边界信号。
数据增强：专治
“质量不稳定”
常规旋转翻转不够用，要模拟真实退化过程，让模型学会鲁棒性：
-
合成退化链增强：在训练时随机叠加（高斯模糊 + 随机噪声 + JPEG压缩 + 亮度抖动），强度按 batch 动态调整；
-
锐化-模糊混合裁剪：对同一张图生成清晰版和模糊版，分别裁剪不同区域做对比学习（SimCLR 风格），强化模型对结构一致性的感知；
-
质量感知采样：用预训练的 no-reference IQA 模型（如 BRISQUE 或 NIMA）给每张图打分，低分样本在 batch 中提升采样权重，不让模型“假装看不见”。
模型结构微调：给网络加点“抗造力”
标准 ResNet 或 ViT 对低质输入太敏感，需针对性加固：
-
多尺度输入分支：主干接原始图，额外分支走高斯金字塔底层（模糊+降采样图），两路特征后期融合，让模型同时看到全局结构和局部稳定性；
-
注意力机制替换：把标准 self-attention 换成 Deformable Attention 或 Strip Pooling，前者对形变鲁棒，后者对模糊区域响应更平滑；
-
归一化层升级：BatchNorm 换成 GroupNorm 或 InstanceNorm，减少 batch 内图像质量差异带来的统计失真；
-
损失函数加权：对低质量样本预测，用 focal loss 或 label-smoothing 缓解置信度虚高问题，尤其在分类任务中防过拟合伪标签。
训练与评估：别被指标骗了
准确率/ mAP 看着高，可能只是模型记住了噪声模式：
-
验证集必须含真实低质样本：不能只用人工加噪测试，要混入实拍模糊图、手机远距抓拍、老旧设备采集数据；
-
引入中间监督信号：比如在语义分割中，除了最终 mask，再加一层边缘图预测（用 Canny 提前算好），引导网络关注结构而非纹理；
-
可视化梯度热图（Grad-CAM）必查：确认模型是否真的聚焦在目标区域——如果热图大片覆盖噪声或背景，说明预处理或注意力没起效。
基本上就这些。不复杂但容易忽略：低质量图像不是“等模型变强就能扛住”，而是得把它当成一个明确的建模变量来设计整套流程。
“质量不稳定”