通过使用轻巧的条件生成对抗网络，通过调制编码学习任务形式化低照度图像增强，从而学习从低光到正常光图像空间的一对多关系，使我们的推理模型轻松适应各种用户喜好，并在噪声和干净数据集上实现了有竞争力的视觉和定量结果。

Oct, 2021

本文提出了一种基于 GAN 的无监督图像增强模型 (UEGAN)，利用调制机制和质量损失函数增强图像的视觉质量，消除专业照片编辑造成的风格化问题。我们的质量和定量实验验证了我们的模型的有效性。

Dec, 2020

本文提出了一种基于强化学习框架结合图像编辑软件的无配对图像增强方法，能够高效地实现两项任务：照片增强和美颜，得出的实验结果表明该方法相较于其他无配对学习方法具有更好的性能表现。

Dec, 2019

本文提出了一种基于轻度信息引导的深度学习方法，分为两个 CNN 模块完成去阴影操作，通过非配对数据的训练达到了优于现有方法的效果。

Jun, 2020

本文提出了一种基于语义引导的零样本低光增强网络，用于低光图像的实时检测和分割，并在基准数据集和低光视频上进行了广泛的实验，表明该模型优于先前的最新技术水平。

Oct, 2021

本论文提出了 Enlighten-anything 方法，结合 SAM 分割的语义意图和低光图像，采用无监督学习的零样本学习方法来改善低光图像的增强和融合，实验表明方法在 LOL 数据集上比基线提高了 3db 的峰值信噪比和 8 的结构相似度。

Jun, 2023

该论文提出利用有监督和无监督学习的方式解决图像颜色增强问题，并通过参数化颜色变换技术提高了图像的质量，同时使用对抗生成网络实现了无配对数据的颜色增强。在 MIT-Adobe FiveK 基准测试上，该方法在有配对和无配对图像上都实现了最先进的结果，并通过 20 世纪早期的照片和暗视频帧的应用展示了该方法的泛化能力。

Dec, 2019

介绍了 EnhanceGAN，这是一种基于敌对学习的自动图像增强模型，利用弱监督二元标签学习美学图像增强算子，包括分段调色模块和基于深度滤波的美学增强器。其差分性使得能够在端到端的方式下训练 EnhanceGAN 进行美学图像裁剪和色彩增强，实验证明其具有良好的性能。

Jul, 2017

本文提出了一种智能非监督个性化增强器（iUPEnhancer）用于低光图像处理，该增强器根据亮度、色度和噪声三个用户友好的特征来建立低光与未配对参考图像之间的关系，并利用相应的非监督损失函数进行训练，在增强过程中展示上述特征及过程，实验证明该算法在保持灵活性和可扩展性的同时，产生了有竞争力的定量和定性结果。

Jul, 2022

通过基于理论的光传递的光度无关先验、预训练的生成扩散模型以及轻量级版本，我们提出了一个仅使用正常光图像进行训练的零参考低光增强框架，该框架在多种场景下表现出卓越的优越性、良好的可解释性、鲁棒性和效率。

Mar, 2024