该论文提出了一种新的零参考深曲线估计方法（Zero-DCE），它将受光增强任务视为深度网络中的图像特定曲线估计任务。我们通过训练一个轻量级的深度网络 DCE-Net 来估计给定图像的像素级和高阶曲线，以进行动态范围调整。Zero-DCE 有很强的适用性，即在训练期间不需要任何成对或无序数据进行参考。通过一组精心设计的非参考损失函数，我们实现了对非参考图像增强质量的隐式度量，并驱动网络学习。我们的方法具有高效性和可解释性，因为图像增强可以通过直观和简单的非线性曲线映射来实现。尽管简单，我们展示了它对不同光照条件的良好推广能力。在各种基准测试上进行的大量实验定量和定性地展示了我们方法的优势。此外，我们还讨论了 Zero-DCE 对于在黑暗中进行人脸检测的潜在优势。

Jan, 2020

本文提出了一种称为自参考深度自适应曲线估计（Self-DACE）的两阶段低光图像增强方法。第一阶段介绍了一种直观、轻量级、快速和无监督的亮度增强算法，该算法基于一种新颖的低光增强曲线，可用于本地增强图像亮度。同时，我们提出了一个新的损失函数，配备了一个简化的物理模型，旨在保留自然图像的颜色、结构和保真度。我们使用一个普通的 CNN 通过深度自适应调整曲线（AAC）对每个像素进行映射，同时保留局部图像结构。其次，我们引入相应的降噪方案来去除图像中存在的噪声。我们对暗部噪声进行了近似建模，并使用降噪网络在第一阶段后估计和去除噪声。全面的定性和定量分析显示，我们的方法在多个实际数据集上优于现有的最先进算法。

Aug, 2023

提出了一种基于扩散模型的零参考光估计扩散模型，用于低光图像增强，通过零参考学习成功地弥补了对成对训练数据的依赖，并通过与初始优化网络之间的双向约束实现光照增强。

Mar, 2024

提出了一种名为 LUT-GCE 的低光图像增强有效且高效的方法，采用全局曲线估计方法，包括了一种新型的立方曲线公式，全局曲线估计网络（GCENet），查找表方法和直方图平滑度损失。

Jun, 2023

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

本文提出了一种基于学习的零参考低光增强方法，称为 ZERRINNet，通过利用 N-Net 网络、RI-Net 网络和纹理损失来解决低光图像增强中的亮度恢复、对比度、降噪和颜色失真问题，实现对训练数据的泛化性能的大幅提升。该方法经过在自制真实低光数据集和高级视觉任务上的有效验证，与当前最先进的方法相比具有竞争力的性能。其中，代码可在链接中获取。

Nov, 2023

使用 BDCE，一种基于学习的曲线参数分布估计模型，来解决高分辨率图像的计算成本高和同时增强和去噪效果不佳的问题，并通过大量实验证明其在常用基准数据集上达到了最先进的定性和定量性能。

Sep, 2023

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

提出了一种新的编码器 - 解码器框架，使用边缘感知的注意力模块来增强极低光条件下的文本图像，通过使用文本检测和边缘重建损失强调低层次的文本特征，实现了成功的文本提取和极低光图像增强。

Apr, 2024

通过零样本白天 - 夜晚领域自适应方法，我们在不需要真实低光照数据的情况下，提出了一种增强低光物体检测的方法。我们设计了一个反射率表示学习模块，通过仔细设计的光照不变性增强策略，学习了基于 Retinex 的图像不变性。同时，我们引入了一个互换重组相干步骤，通过进行两次顺序图像重组和引入重组相干损失来改进传统 Retinex 图像分解过程。在 ExDark、DARK FACE 和 CODaN 数据集上进行了大量实验，验证了我们方法的强大低光照普适性。

Dec, 2023