高清屏幕、图像增强、边缘设备、查找表和硬件推理是本研究的主要关键词和研究领域。

Mar, 2024

提出了一种名为 FastLLVE 的高效管道，利用查找表（LUT）技术有效地保持帧间亮度一致性，从而实现低延迟和低复杂度的低光场景视频增强操作。

Aug, 2023

该论文提出了一种新颖的方法，称为 Zero-Reference Deep Curve Estimation (Zero-DCE)，它将图像增强的问题转化为深度网络中的图像特定曲线估计问题。该方法通过训练一个轻量级的深度网络，DCE-Net，针对给定图像估计像素级和高阶曲线以进行动态范围调整。Zero-DCE++ 是 Zero-DCE 的加速和轻量级版本，具有快速的推理速度，同时保持 Zero-DCE 的增强性能。

Mar, 2021

该论文提出了一种新的零参考深曲线估计方法（Zero-DCE），它将受光增强任务视为深度网络中的图像特定曲线估计任务。我们通过训练一个轻量级的深度网络 DCE-Net 来估计给定图像的像素级和高阶曲线，以进行动态范围调整。Zero-DCE 有很强的适用性，即在训练期间不需要任何成对或无序数据进行参考。通过一组精心设计的非参考损失函数，我们实现了对非参考图像增强质量的隐式度量，并驱动网络学习。我们的方法具有高效性和可解释性，因为图像增强可以通过直观和简单的非线性曲线映射来实现。尽管简单，我们展示了它对不同光照条件的良好推广能力。在各种基准测试上进行的大量实验定量和定性地展示了我们方法的优势。此外，我们还讨论了 Zero-DCE 对于在黑暗中进行人脸检测的潜在优势。

Jan, 2020

本文提出了一种基于可学习的空间感知三维查找表（3D LUTs）的实时图像增强器，它充分考虑了全局情况和局部空间信息，通过在端到端的方式中的权重融合学习 3D LUT 并将其用于以有效的方式将源图像转换为目标色调，该模型在公共数据集上主观上和客观上均优于 SOTA 图像增强方法，并且仅使用一个 NVIDIA V100 GPU 即可在 4ms 内处理 4K 分辨率图像。

Aug, 2021

该论文介绍了一种学习图像自适应 3D 查找表以实现快速和强大的照片增强方法，该方法学习多个 3D LUTs 基础，同时使用小型卷积神经网络 (CNN) 以内容相关的方式自适应的融合多个基础 3D LUTs 并处理 4K 的图像仅需不到 2 毫秒。在性能和计算效率方面超越了现有的照片增强方法。

Sep, 2020

本文提出了一种称为自参考深度自适应曲线估计（Self-DACE）的两阶段低光图像增强方法。第一阶段介绍了一种直观、轻量级、快速和无监督的亮度增强算法，该算法基于一种新颖的低光增强曲线，可用于本地增强图像亮度。同时，我们提出了一个新的损失函数，配备了一个简化的物理模型，旨在保留自然图像的颜色、结构和保真度。我们使用一个普通的 CNN 通过深度自适应调整曲线（AAC）对每个像素进行映射，同时保留局部图像结构。其次，我们引入相应的降噪方案来去除图像中存在的噪声。我们对暗部噪声进行了近似建模，并使用降噪网络在第一阶段后估计和去除噪声。全面的定性和定量分析显示，我们的方法在多个实际数据集上优于现有的最先进算法。

Aug, 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

通过整合全局和局部运算符，利用频率信息的特定特征对低频图像进行图像自适应 3D LUT 的调节，同时使用局部 Laplacian 滤波器以自适应方式细化高频分量中的边缘细节，提出一种轻量级网络从注释数据中逐步学习局部 Laplacian 滤波器的参数值映射，从而实现全局色调处理和局部边缘细节保护的综合模型，该方法在两个基准数据集上与最先进的方法相比表现出良好的性能。

Oct, 2023

提出 AttentionLut 框架用于实时图像增强，通过利用注意力机制生成自适应查找表，实验证明该方法在定量和定性上比现有方法有更好的增强性能。

Jan, 2024