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

本文提出了一种基于语义引导的零样本低光增强网络，用于低光图像的实时检测和分割，并在基准数据集和低光视频上进行了广泛的实验，表明该模型优于先前的最新技术水平。

Oct, 2021

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

通过消除图像中的阴影同时保留图像细节，Segment Anything (SAM) 模型在图像分割和计算机视觉领域树立了新的基准，但在区分阴影和背景时仍面临挑战。为了解决这个问题，我们开发了 Deshadow-Anything，考虑到大规模数据集的泛化，并对大规模数据集进行微调，实现了图像阴影去除。扩散模型可以沿着图像的边缘和纹理进行扩散，帮助去除阴影并保留图像的细节。此外，我们设计了多自注意引导 (MSAG) 和自适应输入扰动 (DDPM-AIP) 来加速扩散的迭代训练速度。阴影去除任务的实验证明这些方法可以有效提高图像修复性能。

Sep, 2023

提出基于自监督学习的深度学习低光图像增强方法，通过基于信息熵理论和 Retinex 模型的最大熵 Retinex 模型，实现了对低光图像中亮度和反射性分离的简化，仅需分钟级别的培训即可获得图像增强，证明该方法达到了处理速度和效果方面的最新成果。

Feb, 2020

本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法，利用合成的低光模拟数据构建数据集，通过使用两个注意力图指导亮度增强和降噪任务，并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强，该方法在多个数据集上表现优异，比当前最先进的方法有更好的定量和视觉效果。

Aug, 2019

通过引入 SAM-Lightening，一种改进的注意力机制，称为 Dilated Flash Attention，本研究在 COCO 和 LVIS 数据集上通过渐进蒸馏实现了从原始 SAM 的知识转移，实现了在运行时间效率和分割准确性方面显著优于最先进方法，每幅图片仅需要 7 毫秒的推理速度，是原始 SAM 的 30.1 倍，且内存占用只有原始 SAM 的 3.5%。

Mar, 2024

提出了一种基于扩散模型的零参考光估计扩散模型，用于低光图像增强，通过零参考学习成功地弥补了对成对训练数据的依赖，并通过与初始优化网络之间的双向约束实现光照增强。

Mar, 2024

本文介绍了一种创新的方法 SAM-helps-Shadow，将分割模型 SAM 用于影子去除，利用零样本学习提高模型在实际场景中的适用性，使用二阶深度展开网络实现影子去除，提高了阴影检测的准确性和效率。

Jun, 2023

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