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

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

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

本文提出了一种联合的低光增强和去噪策略，通过 Retinex 模型基于分解进行顺序处理，对每个组件强制施加空间平滑性，巧妙地利用权重矩阵来抑制噪声和提高对比度，实现了对低光图像的有效增强和去噪。

Apr, 2018

该研究通过引入新的数据合成流程来模拟真实的低照度模糊退化，提出了联合低照度增强和去模糊的大规模数据集 LOL-Blur，同时提出了一种名为 LEDNet 的有效网络，解决了夜间摄影低照度和模糊问题。

Feb, 2022

本文提出了一种新方法来增强暗光雾霭场景的可见性，通过跨一致性除雾增强框架和基于物理模拟的低光雾数据集生成，实验证明该方法在各项指标上的效果优于现有方法，并通过人类视觉感知的用户研究证明了该方法的有效性和必要性。

Aug, 2023

为了在低光图像中同时实现更高的压缩率和更好的增强性能，我们提出了一个新的图像压缩框架，并对低光图像增强进行联合优化。实验结果表明，我们提出的联合优化框架相对于现有的 “压缩后增强” 或 “增强后压缩” 顺序解决方案，在低光图像中实现了显着的改进。

May, 2023

本文提出一种新的自校准照明（SCI）学习框架，用于在低光环境下快速，灵活和准确地增强图像，通过耦合权值共享的级联照明学习过程来实现此任务，从而极大地减少计算成本，提高模型适用性。

Apr, 2022

本文提出了一种新的低光图像增强框架，通过同时进行外观和结构建模，引入结构特征来指导外观增强，采用改进的生成模型实现结构建模，提出了结构引导增强模块来改善外观建模，实现了端到端的训练，并在代表性数据集上进行实验，表明我们的模型在所有数据集上均实现了最佳表现。

May, 2023

该论文提出了一种基于光子激发引起的膜振动分析的能量模型，并结合伽马校正模型提出了一种新的全局亮度增强模型，最终还加入了一种局部融合策略，该算法在避免色彩失真、恢复暗区纹理、还原自然色彩和减少时间成本方面优于九种先进方法。

Jun, 2020