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

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

该论文提出了一种基于深度学习的 Retinex 模型，可以更好地应对不同环境下光照不足的图像增强问题，通过红外辅助拍摄低光图像构建了一个 LOL（Low-Light）数据集，并使用其中的图像进行训练，实验结果表明该方法在增强低光图像质量方面具有很好的效果。

Aug, 2018

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深度强化学习的新型低光图像增强方法，称为 ReLLIE，将 LLIE 建模为马尔可夫决策过程，使用轻量级网络计算像素级图像特定曲线，利用非参照损失函数计算的奖励来增强输入的低光图像，ReLLIE 不是进行一一图像转换，而是学习策略，从而可以处理各种低光测量数据，提供定制增强输出。

Jul, 2021

提出了一种基于扩散模型的降级感知学习方案，通过有效整合降级表示和图像先验进程，从而改善图像增强效果。并且在多个基准数据集上的实验证明，该方法在定量和定性上优于现有的低光图像增强方法。

Jul, 2023

通过将训练于大规模开放领域数据集的扩散模型变为生成先验，提出了一种新颖的基于扩散模型的低光图像增强方法，称为 LDM-SID，该方法通过向扩散模型中插入一组所提出的驯服模块来引导其生成过程，并在观察到扩散模型不同部分的特定生成先验后，将低频内容生成和高频细节维护二分，从而实现对扩散模型的优化结构生成和细节增强。广泛实验证明该方法在定量评估中实现了最先进的性能，并在视觉比较中显示出显著的优越性，从而强调了利用预训练的扩散模型作为 LLIE 任务的生成先验的有效性。

Dec, 2023

我们的研究介绍了一种名为 LightDiff 的领域定制框架，该框架旨在增强自动驾驶应用中低光照图像的质量，通过使用多条件控制扩散模型并运用增强学习来引导扩散训练过程，从而在夜间条件下显著提高多个先进的三维检测器的性能并实现高视觉质量分数。

Apr, 2024

该研究论文提出了一种基于深度学习的方法，用于从阴影和高光中恢复复杂细节以及重建高动态范围图像，通过图像到图像转换任务，提出了一种基于条件性去噪扩散概率模型（DDPM）的框架，并在该框架中结合了深度卷积神经网络（CNN）的自编码器来提高用于条件化的输入 LDR 图像的潜在表征质量，此外引入了一种新的损失函数来改善 LDR-HDR 转换任务的结果质量。通过全面的定量和定性实验，有效地展示了该方法的优越性，结果表明简单的基于扩散的条件方法可以取代复杂的基于相机管线的架构。

Jul, 2023

我们提出了一种新的方法来进行野外单视图人脸重照。我们使用条件扩散隐式模型 (DDIM) 解码一个解离的光编码与 3D 形状和面部身份相关的其他编码，以达到最先进的性能，能够在标准基准数据集 Multi-PIE 上进行光照效果的真实再现。

Apr, 2023