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

提出了一种基于半稀疏正则化框架的图像结构 - 纹理分解方法，可以将图像结构与复杂的纹理背景解耦，并结合不同的纹理分析模型，通过交替方向乘子法（ADMM）算法得到了一种简单易用的图像结构 - 纹理分解方法。 实验证明，该方法具有可比拟或优越于先进方法的图像分解结果。

Aug, 2023

该研究提出了一种新的低光图像增强模型，名为 SCRNet，在渐进式地应用空间一致性的原则下，从通道层面、语义层面和纹理层面三个层次上提高低光图像质量，比现有的最先进方法具有更好的表现。

May, 2023

通过对数字成像中的 Retinex 理论进行理论和实验分析，本文提出了一种名为数字成像 Retinex 理论（DI-Retinex）的新表达式，该表达式包括增强模型中的偏移项，允许使用非线性映射函数进行像素级亮度对比度调整，并通过 Gamma 空间提出了一种图像自适应掩蔽逆恢复损失来解决低光增强问题，同时设计了一种方差抑制损失来调节附加偏移项，实验结果表明我们的方法在视觉质量、模型大小和速度等方面优于所有现有的无监督方法，还可以在低光条件下辅助人脸检测器，与其他方法相比，在低光增强后面部检测的性能增益最显著。

Apr, 2024

本文提出了一种新的低光图像增强框架，通过同时进行外观和结构建模，引入结构特征来指导外观增强，采用改进的生成模型实现结构建模，提出了结构引导增强模块来改善外观建模，实现了端到端的训练，并在代表性数据集上进行实验，表明我们的模型在所有数据集上均实现了最佳表现。

May, 2023

该论文提出了一种基于深度学习的 Retinex 模型，可以更好地应对不同环境下光照不足的图像增强问题，通过红外辅助拍摄低光图像构建了一个 LOL（Low-Light）数据集，并使用其中的图像进行训练，实验结果表明该方法在增强低光图像质量方面具有很好的效果。

Aug, 2018

提出了一种基于参考的超分辨率（RefSR）框架，用于保留 OCT 血管造影图的分辨率并扩大扫描区域，通过使用训练出的纹理生成器生成纹理，提高了精度和稳健性，具有应用前景。

May, 2023

通过卷积神经网络，构建了一种显式容忍纹理重采样的完全参考图像质量模型，利用纹理相似度和结构相似度结合来优化图像质量评估，在现有的数据库和纹理数据库上都表现出了具有竞争力的性能。

Apr, 2020

通过扩散模型结合曲率正则化、全局结构感知正则化和不确定性引导正则化等技术，在低光图像增强问题上取得突破性进展，提高了图像质量、噪声抑制和对比度放大的效果。

Oct, 2023

本文提出了一种新颖的结构和统计纹理知识蒸馏框架（SSTKD），通过引入轮廓线分解模块（CDM）和去噪纹理亮度均衡化模块（DTIEM）来结合结构和统计纹理知识，其中，CDM 通过迭代 Laplacian 金字塔和方向性滤波器组对低级特征进行分解，而 DTIEM 则通过启发式迭代量化和去噪操作来自适应地提取和增强统计纹理知识，最后，每个知识学习都由一个单独的损失函数进行监督，从更广泛的视角促使学生网络更好地模仿老师，并且实验表明，所提出的方法在 Cityscapes，Pascal VOC 2012 和 ADE20K 数据集上实现了最先进的性能。

May, 2023