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

本研究提出了一个弱监督美学感知强化学习 (A2-RL) 框架，将美学图像裁剪作为一个序列决策过程，并开发了一种美学感知奖励函数，使用 actor-critic 结构以端到端方式训练智能体，实验结果表明，我们的方法在使用较少的候选窗口和时间的情况下实现了状态-of-the-art 的性能。

Sep, 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深度强化学习(DRL)的彩色增强方法来明确地建模人类修饰过程的阶段性特征，其中颜色增强过程被视为一个马尔科夫决策过程，通过全局颜色调整操作定义其中的具体行为。我们通过“扭曲和恢复”训练方案，以高质量的参考图像作为训练数据，证明了我们的方法产生了不错的增强结果，并且我们的DRL方法比以前的监督方法更适合于该训练方案。

Apr, 2018

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

本文提出了一种有效的基于对比学习的语义低光图像增强算法，利用多任务联合学习将低光图像增强任务转化为对比学习、语义亮度一致性和特征保护三个约束，用于同时确保曝光、纹理和颜色的一致性。实验结果表明，该方法优于当前六个独立交叉场景数据集中最好的低光图像增强模型。

Dec, 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

该研究提出了一种新的基于语义感知的知识引导框架，结合语义分割模型在低光图像增强中学习丰富多样的先验知识，并通过三个方面的方法实现：语义感知嵌入模块、语义引导颜色直方图损失和语义引导对抗性损失。实验结果表明，该框架在多个数据集上均优于基线模型且具有良好的泛化性能。

Apr, 2023

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

图像质量评估和图像美学评估的统一视觉语言预训练(UniQA)方法能够同时提高这两个任务的性能并展现优异的无需训练样本和少标签图像评估能力。

Jun, 2024