通过数据驱动方法和深度神经网络，学习相机处理管道，将短曝光、低光原始传感器数据转换为高曝光 sRGB 图像，从而显著提高了极低环境光下捕获图像的视觉质量。

Apr, 2019

提出了一种使用短曝光和长曝光图像的互补信息进行低光照条件下的图像修复方法，通过模拟低光环境中的成像管道生成的真实短曝光和长曝光原始图像，并使用新的长短曝光融合网络 (LSFNet) 处理低光照图像融合中的问题，包括高噪声、运动模糊、色彩失真和错位，实验结果表明，该方法优于现有的最优方法。

Jul, 2020

该研究通过引入新的数据合成流程来模拟真实的低照度模糊退化，提出了联合低照度增强和去模糊的大规模数据集 LOL-Blur，同时提出了一种名为 LEDNet 的有效网络，解决了夜间摄影低照度和模糊问题。

Feb, 2022

提出了一种通过去除相机红外 (IR) 截止滤波器来提高低光环境下图像可见度的新方法，实验结果定量和定性上显示了提出方法的有效性。

Jul, 2023

本研究提出了基于深度学习的夜间图像融合和增强方法，使用 D2HNet 架构可从多张不同曝光时间的照片中恢复出一张高质量、清晰无噪的夜间图像。经实验证明，在真实拍摄的夜景照片上，该方法可获得极佳的视觉效果和量化分数。

Jul, 2022

本文研究了 CMOS 图像传感器成像管线中的噪声统计，并制定了一种全面的噪声模型，以准确地表征真实的噪声结构。该模型可用于合成用于学习低光照度去噪算法的真实训练数据，并在多个低光照度去噪数据集上进行的实验表明，使用我们提出的噪声形成模型训练的深度神经网络可以达到惊人的高准确度。

Aug, 2021

近期的图像增强方法展示了使用一对长曝光和短曝光图像进行低光摄影的优势。我们提出了一种新颖的双摄像头方法，通过同时使用一个摄像头捕捉一组同步的短曝光图像和另一个摄像头捕捉的长曝光图像，实现了更好的去噪、运动感知去模糊以及进一步提升质量的效果。

Sep, 2023

在低光环境中进行准确的物体追踪对于监控和动物行为学应用至关重要。本文研究了这些扭曲对自动物体追踪器的影响，并提出了一种解决方案，通过将去噪和低光增强方法整合到基于变压器的物体追踪系统中，提高追踪性能。实验结果表明，用低光合成数据集训练的提出的追踪器优于原始的 MixFormer 和 Siam R-CNN。

Dec, 2023

该论文引入了一种新颖的轻量级计算框架，利用先进的机器学习和卷积神经网络 (CNNs) 来增强低光条件下的图像。通过应用 Retinex 理论的见解和图像恢复网络方面的最新进展，我们的方法开发了一个高效处理光照分量并通过优化的卷积块集成上下文敏感增强的简化模型。这大大提高了图像的清晰度和色彩保真度，避免了过度增强和不自然的颜色偏移。关键是，我们的模型被设计成轻量级，确保在标准的消费者硬件上具有低计算需求和实时应用的适用性。性能评估证实，我们的模型不仅在增强低光图像方面超过了现有方法，而且保持了最小的计算占用。

May, 2024

本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法，利用合成的低光模拟数据构建数据集，通过使用两个注意力图指导亮度增强和降噪任务，并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强，该方法在多个数据集上表现优异，比当前最先进的方法有更好的定量和视觉效果。

Aug, 2019