本文提出了一种新的基于 Retinex 的深度学习网络，用于低光条件下的图像增强。该网络包含三个子网络：Decom-Net，Denoise-Net 和 Relight-Net。我们的模型使用了来自图像的空间信息和频率信息，可以在低光条件下取得更鲁棒的结果，并且在高级视觉任务方面具有显著的改善表现。我们还提出了一个大规模真实世界数据集（LSRW 数据集），用于训练模型，展示模型在真实世界场景中具有更好的泛化能力。经过广泛的实验，我们的方法在定量和视觉方面都表现出优于现有状态 - of-the-art 的结果。

Jun, 2021

本文提出了一种基于学习的零参考低光增强方法，称为 ZERRINNet，通过利用 N-Net 网络、RI-Net 网络和纹理损失来解决低光图像增强中的亮度恢复、对比度、降噪和颜色失真问题，实现对训练数据的泛化性能的大幅提升。该方法经过在自制真实低光数据集和高级视觉任务上的有效验证，与当前最先进的方法相比具有竞争力的性能。其中，代码可在链接中获取。

Nov, 2023

通过提出一种物理可解释的、生成扩散模型 (Diff-Retinex) 来重新思考低光图像增强任务，将低光图像增强问题形式化为 Retinex 分解和条件图像生成，并通过生成扩散模型实现对低光细节的修复。在真实世界低光数据集上进行的广泛实验定性和定量地证明了所提方法的有效性、优越性和泛化性。

Aug, 2023

本文提出了一种联合的低光增强和去噪策略，通过 Retinex 模型基于分解进行顺序处理，对每个组件强制施加空间平滑性，巧妙地利用权重矩阵来抑制噪声和提高对比度，实现了对低光图像的有效增强和去噪。

Apr, 2018

该论文提出了一种揉合了深度学习与物理反射模型与渐变信息的新型本质图像分解方法，并通过大量实验证明其优于现有方法，最终形成快速、综合高效的本质图像分解方式。

Dec, 2017

利用卷积神经网络和 Retinex 理论，基于低光照条件下图像对比度很低的事实，提出了一个低光照图像增强模型。通过实验，证明该模型在质量和量化方面比其他同类模型有优势。

Nov, 2017

该论文提出使用深度卷积神经网络解决困难的内在图像分解问题，通过对真实图像和合成图像模型的混合训练，以及引入 Bilateral Solver 层，进一步改进结果，实现了对各种数据集包括真实世界场景的不同光照图像的理想产出。

Jul, 2018

该论文提出了一种无监督的方法，通过层分解网络和光效抑制网络集成来来压制夜间图像中光效，并增强暗区域的照度

Jul, 2022

该文介绍了使用具有灵活监督损失层的深度学习方法来实现自然图像的固有反射和阴影层解析分解，并展示了其在所有主要内部图像基准测试上取得的最先进结果。

Jan, 2017

本研究提出了一种基于深度学习技术的具有场景上下文依赖关系的分解网络结构，能够有效增强低光照条件下的图像质量，在各种图像处理和多媒体应用中具有较强的实际应用价值。

Dec, 2021