本文提出了一个包含低光图像增强算法分类、数据集、web 平台等多个方面的综述以及一个包含各种拍摄设备下的低光图像数据、在线评估多个流行算法的数据集和平台，并对各种算法在公开及自有数据集上进行了定性和定量评估。本平台，数据集以及评估指标都是公开的并被定期更新。

Apr, 2021

通过 Hierarchical Mutual Enhancement via Cross-Attention transformer (ECAFormer) 使用 Dual Multi-head Self Attention (DMSA) 提高细节保留，实现低光图像增强，优化计算复杂性和参数数量，提高了照明增强和降噪性能。

Jun, 2024

本研究提出了一种基于深度强化学习的新型低光图像增强方法，称为 ReLLIE，将 LLIE 建模为马尔可夫决策过程，使用轻量级网络计算像素级图像特定曲线，利用非参照损失函数计算的奖励来增强输入的低光图像，ReLLIE 不是进行一一图像转换，而是学习策略，从而可以处理各种低光测量数据，提供定制增强输出。

Jul, 2021

本文提出了一种名为 MixNet 的新型低光图像增强方法，针对超高清图像进行设计，并通过全局特征调制层 (GFML)、局部特征调制层 (LFML) 和前馈层 (FFL) 等模块实现低光图像增强，具有少量模型参数和低计算复杂性。在合成和真实数据集上的广泛实验表明，作者提出的方法优于当前最先进的方法。

Jan, 2024

本文介绍了一种在低亮度条件下进行图像增强的轻量级神经网络，提出了全局低光强度增强和局部自适应校正的方法来解决不同图像区域的曝光问题，实验结果表明该方法在客观指标和主观视觉效果方面都表现出色。

May, 2023

利用量化的先验知识和图像精修方法，该文提出了一种名为 CodeEnhance 的新型低光图像增强方法，通过学习从低光图像到离散码书的映射，改善图像恢复中的不确定性和噪声压制造成的纹理和颜色信息损失，并结合语义信息、码书位移和交互特征转换模块，实现了对低光图像的交互式增强。实验证明，CodeEnhance 在质量和保真度上显著提高了低光图像增强的性能，对于不均匀照明、噪声和颜色失真等各种退化具有较强的鲁棒性。

Apr, 2024

通过使用 TroubleMaker 学习策略在低光图像增强任务中训练使用正常光图像作为输入的模型，结合 Global Dynamic Convolution 模块，本文提出的方法在公共数据集上取得与最先进方法竞争性的性能。

Feb, 2024

使用几何建模的深度图先验指导低光增强，提供了改进的低光特征学习，并在各种低光增强框架中应用。

Dec, 2023

本文提出了一种结合 CNN 和 transformers 的新型框架 ClassLIE，通过综合和区域化的方式对低光图像中的结构和光照信息进行分类和自适应学习，从而显示出更好的增强性能。实验证明，ClassLIE 在五个基准数据集上达到了最先进的表现，LOL 数据集上的 PSNR 和 SSIM 分别为 25.74 和 0.92。

Dec, 2023

通过结合传统方法与深度学习技术，本研究提出了一种创新的低光图像增强网络 CPGA-Net，该网络结合了暗 / 亮通道先验、伽马校正、大气散射模型和 Retinex 理论的特征，成为一个轻量级网络，在客观和主观评价标准上取得了优异性能，为低光环境下的实际应用提供了新的解决方案。

Feb, 2024