通过对数字成像中的 Retinex 理论进行理论和实验分析，本文提出了一种名为数字成像 Retinex 理论（DI-Retinex）的新表达式，该表达式包括增强模型中的偏移项，允许使用非线性映射函数进行像素级亮度对比度调整，并通过 Gamma 空间提出了一种图像自适应掩蔽逆恢复损失来解决低光增强问题，同时设计了一种方差抑制损失来调节附加偏移项，实验结果表明我们的方法在视觉质量、模型大小和速度等方面优于所有现有的无监督方法，还可以在低光条件下辅助人脸检测器，与其他方法相比，在低光增强后面部检测的性能增益最显著。

Apr, 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

该论文回顾了 NTIRE 2024 年低光图像增强挑战，突出了提出的解决方案和结果，旨在发现在处理各种条件时能够生成更明亮、更清晰和更具视觉吸引力结果的有效网络设计或解决方案，包括超高分辨率（4K 及以上）、非均匀照明、逆光、极端黑暗和夜景。这个挑战共有 428 名参与者注册，最终有 22 个团队提交了有效的作品，本文详细评估了低光图像增强领域的最新进展，反映了这一领域的重大进步和创造力。

Apr, 2024

通过提出一种物理可解释的、生成扩散模型 (Diff-Retinex) 来重新思考低光图像增强任务，将低光图像增强问题形式化为 Retinex 分解和条件图像生成，并通过生成扩散模型实现对低光细节的修复。在真实世界低光数据集上进行的广泛实验定性和定量地证明了所提方法的有效性、优越性和泛化性。

Aug, 2023

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

使用 Reti-Diff 方法，结合 Retinex 的知识和像素重构技术，以实现光照恢复和图像修复的高效率和准确性。

Nov, 2023

提出了一种通过去除相机红外 (IR) 截止滤波器来提高低光环境下图像可见度的新方法，实验结果定量和定性上显示了提出方法的有效性。

Jul, 2023

本文提出一种新的轻量级卷积神经网络（5k 参数），用于处理各种颜色、曝光、对比度、噪点和伪影等问题，实现非均匀照明图像增强，并通过半监督的修复方法，结合新数据集进行训练。该模型可在实时环境下（50 fps）快速增强图片，有效处理非均匀照明图像。

May, 2020

提出了使用两部普通智能手机录制视频、结合基准标记和神经重照模型实现的新型反射变换成像技术，通过 PCA 压缩的极短的反射分布数据，能够重构任意光线方向下的物体外观，并且在现场轻松使用，能够胜过专门设置设备的最新技术。

Oct, 2022

该论文回顾了 2022 年 CVPR 的 NTIRE 研讨会中关于受限高动态范围（HDR）成像的挑战。本文聚焦于竞赛设定、数据集、提议的方法以及他们的结果。竞赛旨在从多个相应的低动态范围（LDR）观测中估计 HDR 图像，这些观测可能会受到欠曝或过曝区域和不同噪声来源的影响。竞赛由两个轨道组成，强调保真度和复杂性约束。在跟踪 1 中，要求参与者在强制执行低复杂性约束的同时优化客观保真度分数。在跟踪 2 中，要求参与者在强制执行保真度约束的同时最小化其解决方案的复杂度。这两个轨道使用相同的数据和指标：保真度通过与基准 HDR 图像进行相对于 PSNR 的计算来进行测量，包括通过乘积累加（MAC）操作的数量和运行时间（以秒为单位）的复杂性指标。

May, 2022