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

我们研究了一种名为 “Enlighten-Your-Voice” 的多模态增强框架，通过声音和文本命令创新地丰富用户交互，以解决低光场景中可见信息退化对互补信息融合和结果生成的不利影响，并呈现了在无监督零样本情境中引人注目的泛化能力。

Dec, 2023

本研究提出了一种低光图像增强范式，利用自定义的可学习先验来提高深度展开范式的透明度和解释性，通过 Masked Autoencoder（MAE）的特征表示能力定制了基于 MAE 的光照和噪声先验，并在多个低光图像增强数据集上的实验证明了该范式优于现有方法。

Sep, 2023

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

当前，低光条件给机器认知带来了重大挑战。本文提出了一种利用零参考低光增强方法改善下游任务模型性能的策略，通过利用丰富的视觉 - 语言 CLIP 先验来改进零参考低光增强方法，避免了对配对或非配对正常光数据的收集工作，并证明了不需要正常光数据的学习提示可以改善图像对比度，减少过度增强和噪声过放大。另外，通过零样本开放式词汇分类利用 CLIP 模型进行语义指导，优化低光增强以提高任务性能而非人类视觉感知。通过大量实验结果显示，所提出的方法在各种数据集上都取得了一致的改进效果，并将其与最先进的方法进行比较，展示了在各种低光数据集上的有利结果。

May, 2024

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

提出一种无监督低光图像增强方法，基于直方图均衡化先验和噪声分离模块，能够恢复更好的细节并在真实低光情景中更有效地抑制噪声，实验证明此方法可以与最先进的监督算法相媲美。

Dec, 2021

本文提出了一种无监督的网络，使用上下文引导的自适应光照规范来增强低光图像，并且还提出了一个能够从单个低光图像生成多个增强图像的区域自适应的 SIMO 模型，同时介绍了一个新的低光场景数据集 LLRS，该模型在公共数据集以及 LLRS 数据集上的表现均优于以往的方法。

Jun, 2023

通过使用轻巧的条件生成对抗网络，通过调制编码学习任务形式化低照度图像增强，从而学习从低光到正常光图像空间的一对多关系，使我们的推理模型轻松适应各种用户喜好，并在噪声和干净数据集上实现了有竞争力的视觉和定量结果。

Oct, 2021

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