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

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

本研究提出了一种基于 Retinex 框架和卷积神经网络的逐渐增强低光照下图像的方法，既抑制了图像噪声的干扰，又大大提高了计算效率。同时，提出了一种基于相机成像模型的图像合成策略，有效解决了训练数据不足的问题。实验结果表明了该方法优于现有的低光照增强方法。

Nov, 2019

提出基于自监督学习的深度学习低光图像增强方法，通过基于信息熵理论和 Retinex 模型的最大熵 Retinex 模型，实现了对低光图像中亮度和反射性分离的简化，仅需分钟级别的培训即可获得图像增强，证明该方法达到了处理速度和效果方面的最新成果。

Feb, 2020

本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法，利用合成的低光模拟数据构建数据集，通过使用两个注意力图指导亮度增强和降噪任务，并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强，该方法在多个数据集上表现优异，比当前最先进的方法有更好的定量和视觉效果。

Aug, 2019

通过将非局部算法与轻量级残差卷积神经网络相结合，提出了一个解决方案，充分发挥了两种模型的优势，将计算要求降至最低，并在图像去噪中表现出色。

Mar, 2024

本文提出了一种基于关注机制的神经网络方法，通过通道关注和空间关注模块抑制色差和噪点，以及使用倒置洗牌池化层选择有用信息，实现从原始传感器数据生成高质量的低光图像增强，表现优异，特别是在低光条件下存在严重噪声时。

May, 2020

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

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

本研究介绍了 FLW-Net，一种用于低光图像增强的快速轻量级网络，可同时解决噪声、低亮度、低对比度和颜色偏移问题。我们采用全局特征信息提取组件和基于相对信息的损失函数设计来提高处理速度和效果，并进行了比较实验以证明其有效性。

Apr, 2023