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物理光照模型的图像增强方法，以便在低光照图像中便于显着物体检测，并使用 Non-Local-Block 层来捕捉物体与其邻域的差异，最终在 4 个公共数据集和自己构建的数据集中取得了有前景的结果。

Jul, 2020

本文提出了一种将低光图像增强模型拆分成两个阶段的方法，第一阶段侧重于基于像素级的非线性映射来提高场景的可见性，第二阶段侧重于通过抑制其余退化因素来提高外观保真度，本文的实验结果表明该模型在定性和定量比较中具有最先进的性能。

Nov, 2021

本文提出了一种新颖的网络结构，利用感知偏差照明方式和完整图像建模来解决低光照图像增强问题。通过将伽马校正的有效性与深度网络的强建模能力相结合，我们能够粗到细地自适应地感知偏离的照明来学习校正因子伽马。通过使用泰勒级数近似伽马校正，加速了训练和推理速度。我们提出了一种新颖的变压器块，通过本地到全局的层次化注意机制完全模拟跨图像像素的依赖关系，从而以高度有效的方式从具有很好信息的区域推断出暗区。在几个基准数据集上的广泛实验表明，我们的方法优于现有方法。

Aug, 2023

本研究提出了一种新的 Degradation-to-Refinement Generation Network（DRGN），通过两个步骤研究自然低光图像中的 intrinisic degradation 和 diffuse illumination color loss 的问题，使其具有更好的表现和性能。

Mar, 2021

通过引入新颖的亮度和色度双分支网络 (LCDBNet)，将低光图像增强分为亮度调整和色度恢复两个子任务，并使用多级小波分解学习细节敏感的特征，与其他先进算法相比，在多个参考和非参考质量评估器上取得了卓越性能。

Jul, 2023

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

推出一种用于处理低光强下传感器的原始短曝光图像的数据集，运用端到端的深度卷积神经网络进行学习，取代传统的图像处理流程并取得了良好的效果。

May, 2018

使用 U-Net 学习算法对白天和晚上图像进行照明规范化处理，解决了光照变化下的图像检索问题，并取得了良好的实验效果。

Aug, 2019

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