本研究旨在通过采用自适应加权下采样层、基于平滑向量的卷积块和干扰抑制学习等多种技术，抑制低光环境下的特征噪声，从而大幅提高实例分割的准确率。同时，研究人员发现高位深 RAW 图像相比于典型的相机 sRGB 输出可以更好地保留更丰富的场景信息，支持使用 RAW 输入算法进行低光下的实例分割。为此，他们提出了一个低光 RAW 综合管道来生成逼真的低光数据集，并捕获了一个包含超过两千个配对低 / 正常光图像的现实低光实例分割数据集，为未来研究打开了新的机会。

Apr, 2023

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

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

通过使用 Barlow Twins 训练自监督编码器进行预训练，我们提出了一种技术来从未标记的数据中学习，从而显著减少注释样本的数量，并在语义场景分割任务中应用。实验结果表明，我们的无监督预训练在有监督任务上进行微调后可提高性能，特别是对于少数类别。

Sep, 2023

该论文提出了一种无监督的方法，通过层分解网络和光效抑制网络集成来来压制夜间图像中光效，并增强暗区域的照度

Jul, 2022

在低光环境下，提出用基于深度自编码器的方法来增强和去噪图像以及适应动态环境，该方法可以在监视、监测和战术侦察等领域有很好的应用效果。

Nov, 2015

本文提出了一种名为 EnlightenGAN 的高效的非监督生成对抗网络，采用了无配对的训练数据来提高低光图像的质量，通过全局局部鉴别器结构，自我规范化的知觉损失融合和注意机制等方法，在不同种类的图像测试中表现优于其他方法。

Jun, 2019

提出了一种半监督语义分割的框架，采用自监督单目深度估计和利用场景几何形状强数据扩增的方式，结合深度特征差异和难度级别，通过学生 - 教师框架选择最有用的样本进行语义分割的注释，实现了在 Cityscapes 数据集上半监督语义分割的最好结果。

Dec, 2020

我们提出了一种新的方法，通过利用纹理和运动信息作为监督信号，利用在线自监督的方式将 RGB 训练的水域分割网络适用于目标领域的航空热成像。这种新的热成像能力使得当前操作于临海环境中的自主航空机器人能够在夜间执行诸如可视导航、水深测量和流量跟踪等任务。我们的方法克服了稀少且难以获取的临海热成像数据导致传统的有监督和无监督方法无法应用的问题。在这项工作中，我们整理了第一个临近海域热成像航空数据集，证明了我们的方法优于在有限目标领域热成像数据上训练的全监督分割模型，并且在 Nvidia Jetson 嵌入式计算平台上展示了实时功能。本文代码和数据集将在此 https URL 上提供。

Jul, 2023

本文提出了一种使用自我监督预培训、对模型进行增强、降低标注数据数量的方法，使得在野生动物保护中，基于深度学习的动物普查模型能够在少量的标注数据下也能够获得高精度预测结果。

Aug, 2021