提出了一种多尺度注意力变换器 (MSATr) 的非监督学习方法，以改善低光照下图像的质量，提取局部和全局特征来改善视觉效果，并通过多尺度窗口划分方案、全局变换器分支和循环训练策略来解决亮度不一致的问题。实验证明该方法优于现有的低光照图像增强方法。

Dec, 2023

本文提出了一种新颖的网络结构，利用感知偏差照明方式和完整图像建模来解决低光照图像增强问题。通过将伽马校正的有效性与深度网络的强建模能力相结合，我们能够粗到细地自适应地感知偏离的照明来学习校正因子伽马。通过使用泰勒级数近似伽马校正，加速了训练和推理速度。我们提出了一种新颖的变压器块，通过本地到全局的层次化注意机制完全模拟跨图像像素的依赖关系，从而以高度有效的方式从具有很好信息的区域推断出暗区。在几个基准数据集上的广泛实验表明，我们的方法优于现有方法。

Aug, 2023

通过使用非常轻量级（仅有约 8K 个参数）的多尺度线性变换（MSLT）网络，我们提出了一种能够以每秒 125 帧比特率处理 4K 分辨率 sRGB 图像的照明校正方法，该方法能够有效降低参数量和计算复杂度。

Nov, 2023

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

提出了一种端到端的曝光校正模型，采用感知损失，特征匹配损失和多尺度辨别器来提高生成图像的质量并使训练更加稳定，实验结果表明其有效性。在大规模曝光数据集上，取得了最新的最优结果，并研究了图像曝光设置对画像抠图任务的影响，发现曝光过度和曝光不足的图像导致画像抠图质量严重降低，采用所提出的模型进行曝光校正后，画像抠图质量显著提高。

Apr, 2022

该研究提出了一种基于深度神经网络模型的曝光校正方法，通过提供一个新数据集解决了曝光错误的问题。

Mar, 2020

在多曝光图像融合领域，本研究提出了一种使用深度学习网络的新方法，通过引入伽马校正模块和改进的 Transformer 模块实现对图像的融合和色彩增强。

Apr, 2024

本文提出了一种新方法，利用频域改善和统一曝光校正任务处理，引入整体频率关注和动态频率前馈网络，用于提取全局信息和动态选择重要频带进行图像恢复。此外，采用拉普拉斯金字塔将图像分解为不同的频带，通过多个修复器分别恢复特定频带信息，最终统一了低光增强、曝光校正和多曝光融合这三个任务，并在主流数据集上取得了最先进的结果。

Sep, 2023

本文提出了一种结合了 CNN 和 Transformer 的 CNN Injected Transformer (CIT) 方法，利用窗口型 Transformer 的长程依赖建模能力来处理曝光校正问题，并通过引入一组精心设计的损失函数来改善空间一致性和纠正潜在的颜色偏差。大量实验证明，该方法在定量和定性指标上优于现有技术。

Sep, 2023

该论文设计了一种基于多曝光融合的低光图像增强框架，使用光照估计和相机响应模型来综合多副本图像，并通过融合算法实现了对比度和明度的准确提升。实验表明，该方法较其他现有方法更少引入对比度和亮度失真。

Nov, 2017