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

本文提出了一种使用卷积神经网络的学习no-reference image quality metric来提高图像处理算子的感知质量的方法，从而优化图像增强算法，成功调整局部色调映射和去雾等多种操作。

Dec, 2017

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深度学习的自动图像增强方法，通过学习空间局部滤波器的参数来自动应用于图像，从而实现局部图像调整并显著提高美学质量。

Mar, 2020

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可学习的空间感知三维查找表（3D LUTs）的实时图像增强器，它充分考虑了全局情况和局部空间信息，通过在端到端的方式中的权重融合学习3D LUT并将其用于以有效的方式将源图像转换为目标色调，该模型在公共数据集上主观上和客观上均优于SOTA图像增强方法，并且仅使用一个NVIDIA V100 GPU即可在4ms内处理4K分辨率图像。

Aug, 2021

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

本文旨在探索利用掩码引导特征调制在深度生成模型的潜空间中解决真实图像倒置和操控方向的问题，提出了SemanticStyle自编码器模型，并对其进行了定性和定量分析。

Nov, 2022

本研究提出了一种个性化图像增强方法，使用遮蔽风格建模技术为每个用户个性化地增强输入图像并在Flickr数据集上进行训练，实现了基于内容的个性化图像增强，并在用户研究中证明了优于其他方法的效果。

Jun, 2023

提出了一种多尺度注意力变换器(MSATr)的非监督学习方法，以改善低光照下图像的质量，提取局部和全局特征来改善视觉效果，并通过多尺度窗口划分方案、全局变换器分支和循环训练策略来解决亮度不一致的问题。实验证明该方法优于现有的低光照图像增强方法。

Dec, 2023