本文提出利用正则流模型建立低光图像与正常曝光图像之间的一对多映射关系，通过一个可逆网络，将低光图像 / 特征作为条件，学习将正常曝光图像的分布映射到高斯分布，从而得以更好地建模正常曝光图像的条件分布，在提高图像亮度、减少噪声和伪影、增强色彩方面表现出更好的定量和定性结果。

Sep, 2021

本文使用 ToDayGAN 模型转换驾驶图片的夜间场景为更有用的白天场景，并且通过将当前最接近的白天场景的 6-DOF 位置用于夜间场景的姿态估计，将其用于两次遍历相同区域的图像的精确定位，其性能比最新的标准指标表现提高了超过 250%。

Sep, 2018

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

本文提出了一种新的方法来提高照明归一化的性能，通过建立反射模型和制定面部颜色外观的形成，生成了一种在对数颜色空间中稳健抵御照明变化的色度内在图像（CII）并在此基础上重新构建出逼真的面部彩色图像，实验结果表明该方法能够处理包括软阴影和硬阴影在内的照明变化，从而提高人脸识别的效果。

Oct, 2017

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

本文提出了一个自动方法，通过使用一个有限的视野、低动态范围的室内场景的照片来推断高动态范围的照明。通过使用深度神经网络，我们训练了一个分类器来自动注释 LDR 环境地图中光源的位置，然后利用这些注释来预测场景中光的位置，从而 fine-tune 这个网络来预测每个光源的强度，可以自动获得高质量的 HDR 照明估计结果，从而可以实现逼真的照片级结果。

Apr, 2017

本研究提出了一种适应性图像学习模块，通过合适的图像处理和超参数预测，增强了低光条件下的图像识别模型的性能。实验证明，该方法能够有效提升低光条件下的图像识别性能。

Jan, 2024

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

本文提出了一种名为 DiCo 学习方法的算法，通过可学习的物理先验即颜色不变性和利用对比学习将监控场景分为前景和背景，从而实现了对夜间监控场景进行高保真度翻译，同时也贡献了一个名为 NightSuR 的监控数据集。

Jul, 2023

本文提出了一种新的单目深度估计框架，引入了基于先验的正则化来学习配准深度图像的分布知识以避免错误训练，并使用 Mapping-Consistent Image Enhancement module 来增强图像可视性和对比度，同时维持亮度一致性，最后使用基于统计的掩码策略调整纹理区域内删除像素数量的数量来解决在夜间场景下的问题，实验表明每个部分都是有效的，并取得了令人瞩目的成果和最新成果。

Aug, 2021