Бұл мақалада төмен жарықтандыру жағдайларында алынған кескіндерді жақсартудың бет-әлпетті аныөтау және тану нәтижелеріне әсері талданды. Қарастырылп отырған мәселені бағалау үшін жарықтандыру мен қалыптың түрлі нұсқалары бар бет-әлпет кескіндерін қамтитын Extended Yale Face Database B деректер қоры пайдаланылды. Салыстыру бастапқы суреттерді, сондай-ақ Zero-DCE++ және EnlightenGAN әдістерімен өңделген суреттерді қамтитын үш нұсқа бойынша жүргізілді. Бағалау кезең-кезеңмен жүргізілді және бет-әлпетті анықтау нәтижелерін тануға жарамды суреттер саны және жабық кластар жиынындағы сәйкестендіру көрсеткіштерін есептеуді қамтыды. Толығырақ салыстыру үшін бағалаудың екі нұсқасы қолданылды: әрбір өңдеу нұсқасы үшін жеке жарамды суреттер жиынтығында және барлық салыстырылатын нұсқаларда бар ортақ суреттер жиынтығында. Нәтижелер көрсеткендей, суреттерді жақсарту анықталған беттер санын және тануға жарамды суреттер санын арттырады. Сондай-ақ, салыстырылған нұсқалар арасындағы айырмашылықтар ортақ суреттер жиынтығын талдау кезінде де сақталатыны анықталды, бұл өңдеудің тек анықтау кезеңіне ғана емес, сонымен қатар сәйкестендіру көрсеткіштеріне де әсер ететінін білдіреді. Алынған нәтижелер төмен жарықтандыру жағдайында жұмыс істеуге арналған бет-әлпетті тану жүйелерін әзірлеуде пайдалы болуы мүмкін.

ҚОНЫСБАЙ Н.Т.

Магистрант, Astana IT University, Астана қ., Қазақстан.

E-mail: 242696@astanait.edu.kz, https://orcid.org/0009-0006-6204-9848

ЖУМАДИЛЛАЕВА А.К.

Техника ғылымдарының кандидаты, қауымдастырылған профессор, Бағдарламалық инженерия мектебі, Astana IT University, Астана қ., Қазақстан.

E-mail: Ainur.Zhumadillayeva@astanait.edu.kz, https://orcid.org/0000-0003-1042-0415

1. Li C., Guo C., Han L., Jiang J., Cheng M.-M., Gu J., Loy C. C. Low-Light Image and Video Enhancement Using Deep Learning: A Survey // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. Vol. 44, no. 12. P. 9396–9416. DOI: 10.1109/TPAMI.2021.3126387.
2. Jingchun Z., Su G. E., Sunar M. S. Low-light Image Enhancement: A Comprehensive Review on Methods, Datasets and Evaluation Metrics // Journal of King Saud University – Computer and Information Sciences. 2024. Vol. 36, no. 10. Art. 102234. DOI: 10.1016/j.jksuci.2024.102234.
3. Tian Z., Qu P., Li J., Sun Y., Li G., Liang Z., Zhang W. A Survey of Deep Learning-Based Low-Light Image Enhancement // Sensors. 2023. Vol. 23, no. 18. Art. 7763. DOI: 10.3390/s23187763.
4. Liu F., Fan L. A Review of Advancements in Low-Light Image Enhancement Using Deep Learning // Neurocomputing. 2025. Vol. 652. Art. 131052. DOI: 10.1016/j.neucom.2025.131052.
5. Liu J., Xu D., Yang W., Fan M., Huang H. Benchmarking Low-Light Image Enhancement and Beyond // International Journal of Computer Vision. 2021. Vol. 129, no. 4. P. 1153–1184. DOI: 10.1007/s11263-020-01418-8.
6. Deng J., Guo J., Ververas E., Kotsia I., Zafeiriou S. RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2020. P. 5203–5212. DOI: 10.1109/CVPR42600.2020.00525.
7. Deng J., Guo J., Xue N., Zafeiriou S. ArcFace: Additive Angular Margin Loss for Deep Face Recognition // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2019. P. 4690–4699. DOI: 10.1109/CVPR.2019.00482.
8. Chen S., Liu Y., Gao X., Han Z. MobileFaceNets: Efficient CNNs for Accurate Real-Time Face Verification on Mobile Devices // Chinese Conference on Biometric Recognition. Cham: Springer, 2018. P. 428–438. DOI: 10.1007/978-3-319-97909-0_46.
9. Wang W., Yang W., Liu J. HLA-Face: Joint High-Low Adaptation for Low Light Face Detection // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2021. P. 16190–16199. DOI: 10.1109/CVPR46437.2021.01593.
10. Wang W., Wang X., Yang W., Liu J. Unsupervised Face Detection in the Dark // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2023. Vol. 45, no. 1. P. 1250–1266. DOI: 10.1109/TPAMI.2022.3152562.
11. Georghiades A. S., Belhumeur P. N., Kriegman D. J. From Few to Many: Illumination Cone Models for Face Recognition under Variable Lighting and Pose // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2001. Vol. 23, no. 6. P. 643–660. DOI: 10.1109/34.927464.
12. Li C., Guo C., Loy C. C. Learning to Enhance Low-Light Image via Zero-Reference Deep Curve Estimation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. Vol. 44, no. 8. P. 4225–4238. DOI: 10.1109/TPAMI.2021.3063604.
13. Guo C., Li C., Guo J., Loy C. C., Hou J., Kwong S., Cong R. Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2020. P. 1777–1786. DOI: 10.1109/CVPR42600.2020.00185.
14. Jiang Y., Gong X., Liu D., Cheng Y., Fang C., Shen X., Yang J., Zhou P., Wang Z. EnlightenGAN: Deep Light Enhancement without Paired Supervision // IEEE Transactions on Image Processing. 2021. Vol. 30. P. 2340–2349. DOI: 10.1109/TIP.2021.3051462.
15. Deepinsight. InsightFace Model Zoo [Electronic resource]. URL: https://github.com/deepinsight/insightface/blob/master/model_zoo/README.md (accessed: 01.08.2025).