通过引入创新的基于 Retinex 的视频分解策略，结合动态相邻帧的相关性和场景级连续性约束，以及双结构增强网络的交互机制，该研究实现了在低光环境下视频的增强和一致分解，超越了现有的方法，达到了最新的性能水平。

May, 2024

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

本文提出了一种新的方法 STLVQE，旨在解决在线视频质量增强问题。我们的 STLVQE 设计了一个新的 VQE 框架，其中包含一个模块不可知特征提取器，大大减少了冗余计算，并重新设计了网络的传播、对齐和增强模块。我们提出了一种空间 - 时域查找表（STL），它在视频中提取了空间 - 时域信息，同时节省了大量推理时间。在 MFQE 2.0 数据集上进行的广泛实验证明，我们的 STLVQE 在性能和速度上取得了令人满意的平衡。

Nov, 2023

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

通过构建 LLVE-QA 数据集并提出 Light-VQA 模型，本文针对 UGC 视频中的低照度造成视觉下降问题，同时考虑视觉质量评估方法，提供了一种基于特征融合的新型解决方案，该模型在 LLVE-QA 数据集和公共数据集上表现出最好的性能。

May, 2023

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

介绍了一种基于 Transformer 的低光图像增强方法，通过大规模数据库的系统基准测试，证明该方法优于现有算法，并提出利用该算法作为前处理步骤可以显著提高低光条件下的面部检测性能。

Dec, 2022

提出了一种名为 LUT-GCE 的低光图像增强有效且高效的方法，采用全局曲线估计方法，包括了一种新型的立方曲线公式，全局曲线估计网络（GCENet），查找表方法和直方图平滑度损失。

Jun, 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