本研究提出了一种适应性图像学习模块，通过合适的图像处理和超参数预测，增强了低光条件下的图像识别模型的性能。实验证明，该方法能够有效提升低光条件下的图像识别性能。

Jan, 2024

通过引入新颖的亮度和色度双分支网络 (LCDBNet)，将低光图像增强分为亮度调整和色度恢复两个子任务，并使用多级小波分解学习细节敏感的特征，与其他先进算法相比，在多个参考和非参考质量评估器上取得了卓越性能。

Jul, 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

本文提出了一种新颖的网络结构，利用感知偏差照明方式和完整图像建模来解决低光照图像增强问题。通过将伽马校正的有效性与深度网络的强建模能力相结合，我们能够粗到细地自适应地感知偏离的照明来学习校正因子伽马。通过使用泰勒级数近似伽马校正，加速了训练和推理速度。我们提出了一种新颖的变压器块，通过本地到全局的层次化注意机制完全模拟跨图像像素的依赖关系，从而以高度有效的方式从具有很好信息的区域推断出暗区。在几个基准数据集上的广泛实验表明，我们的方法优于现有方法。

Aug, 2023

提出了一种称为 BCNet 的 “明亮和着色” 网络，通过引入图像着色来解决低光条件下图像增强的问题，并实现基于用户偏好的不同饱和度和颜色风格的定制增强。

Aug, 2023

通过使用 Macro-Micro-Hierarchical transformer 来处理曝光问题，该方法结合了宏观和微观的特征提取并具有层次结构，通过对不同尺度的误差逐层修正，同时使用对比度约束来提高图像质量，从而在曝光修正以及图像增强方面取得了优于现有方法的结果。

Sep, 2023

该论文设计了一种基于多曝光融合的低光图像增强框架，使用光照估计和相机响应模型来综合多副本图像，并通过融合算法实现了对比度和明度的准确提升。实验表明，该方法较其他现有方法更少引入对比度和亮度失真。

Nov, 2017

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

一种名为 JCRNet 的新型结构被提出，可更有效地平衡亮度，颜色和照明。该方法通过三个阶段来增强亮度，颜色和照明，并在低光图像增强任务中显示出明显的综合性能优势。

Sep, 2023