本文提出了一种用于增强低光 OCT 图像的新型框架 DifNIR。该框架首先进行初步去噪，然后使用神经隐式表示 (NIR) 网络进行图像增强，其中像素值被合并作为辅助输入，以减轻全连接层的过度平滑效应。为了实现无监督学习，我们采用了定制设计的损失函数。通过在自采集的人脸图像数据集上进行定性和定量比较，验证了所提出的方法。为了进一步评估其通用性，我们还对从其他 OCT 设备获取的 B 扫描图像和视网膜图像进行了实验。结果：在正面图像数据集上，Dif-NIR 在视觉质量、信噪比 (SNR)（58.99 dB）、信噪比 (CNR)（49.56 dB）和 NIQE（9.0553）方面均优于现有方法。它还能有效地推广到 OCT B 扫描图像和其他设备获取的视网膜图像。结论：该网络有效地缓解了不可预测的亮度衰减，生成了更清晰、照明效果更好的图像，同时展现出强大的泛化能力。意义：该网络有效地揭示了 OCT 图像中的深层信息，并可将其使用场景扩展到经济高效且高速的成像环境。
