利用卷积神经网络和 Retinex 理论，基于低光照条件下图像对比度很低的事实，提出了一个低光照图像增强模型。通过实验，证明该模型在质量和量化方面比其他同类模型有优势。

Nov, 2017

本文提出了 SCNet，一种基于卷积神经网络的语义对应的几何合理模型，利用区域提议实现匹配原语，并明确将几何一致性纳入其损失函数中，该方法在多项基准测试中均表现优异。

May, 2017

本文提出了一种轻量级网络，采用 Siamese Self-Attention Block (SSAB) 和 Skip-Channel Attention (SCA) 模块，提高了模型对全局信息的聚合能力，适用于高分辨率图像，并且基于对低光图像恢复过程的分析，提出了一个优于现有方法的二阶段框架，能够在保持最先进的恢复质量的同时，用最少的计算量恢复一张 UHD 4K 分辨率的图像。

Dec, 2023

本研究提出了一种使用多曝光图像的复合细化网络（CRNet），通过完全整合信息丰富的多曝光输入，实现统一的图像恢复和增强，通过池化层显式分离和加强高低频信息，使用特殊设计的多分支块有效融合这些频率，通过大卷积核和反向瓶颈 ConvFFN 的高频增强模块，扩大感受野并充分整合输入特征，本模型在 Bracketing 图像恢复和增强挑战赛的第一轨上获得了第三名，在测试指标和视觉质量上超过了先前的 SOTA 模型。

Apr, 2024

在本文中，我们提出了基于 RSEND 的更为准确、简洁和单阶段的 Retinex 理论框架，该框架首先将低光照图像分解为光照图和反射图，然后捕捉光照图中重要的细节并进行光照增强，在此步骤之后，优化增强后的灰度图像并与反射图进行逐元素矩阵乘法运算，通过对前一步骤输出进行去噪，最终获得最终结果。全面的定量和定性实验表明，我们的高效 Retinex 模型明显优于其他基于 CNN 的模型，在不同数据集中的 PSNR 提升范围从 0.44 dB 到 4.2 dB，甚至在 LOL-v2-real 数据集中优于基于 Transformer 的模型。

Jun, 2024

本文提出了一种新的基于 Retinex 的深度学习网络，用于低光条件下的图像增强。该网络包含三个子网络：Decom-Net，Denoise-Net 和 Relight-Net。我们的模型使用了来自图像的空间信息和频率信息，可以在低光条件下取得更鲁棒的结果，并且在高级视觉任务方面具有显著的改善表现。我们还提出了一个大规模真实世界数据集（LSRW 数据集），用于训练模型，展示模型在真实世界场景中具有更好的泛化能力。经过广泛的实验，我们的方法在定量和视觉方面都表现出优于现有状态 - of-the-art 的结果。

Jun, 2021

本研究提出了 CrackNex 框架，利用 Retinex 理论中的反射信息帮助模型学习统一的光照不变表示，并利用少样本分割解决低光照条件下裂缝分割的挑战。在多个数据集上 CrackNex 优于现有方法，并提供了首个用于低光照裂缝分割的基准数据集 LCSD。

Mar, 2024

本研究提出了一种基于 Retinex 框架和卷积神经网络的逐渐增强低光照下图像的方法，既抑制了图像噪声的干扰，又大大提高了计算效率。同时，提出了一种基于相机成像模型的图像合成策略，有效解决了训练数据不足的问题。实验结果表明了该方法优于现有的低光照增强方法。

Nov, 2019

我们提出了一种 Swin Transformer 为骨干结构的时空对齐 SUNet（STA-SUNet）模型，用于捕捉低光视频特征并利用它们的时空相关性，通过在新颖统一的 BVI 数据集上进行比较分析，该模型在各个测试数据集上体现出卓越的适应性，获得最高的 PSNR 和 SSIM 值，尤其在极低光条件下效果显著。

Mar, 2024

本文提出了一种基于学习的零参考低光增强方法，称为 ZERRINNet，通过利用 N-Net 网络、RI-Net 网络和纹理损失来解决低光图像增强中的亮度恢复、对比度、降噪和颜色失真问题，实现对训练数据的泛化性能的大幅提升。该方法经过在自制真实低光数据集和高级视觉任务上的有效验证，与当前最先进的方法相比具有竞争力的性能。其中，代码可在链接中获取。

Nov, 2023