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

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

本研究探索了一种数据驱动的方法，通过训练一个深度卷积神经网络模型以预测性地调整相机增益和曝光时间参数，从而实现在光照变化下得到最佳图像质量，以用于视觉测距和视觉同时定位和映射。研究通过实验验证了该方法的优越性。

Feb, 2021

本文提出了一种新颖的自动曝光校正方法，核心在于双重照明估计，将欠曝光和过曝光校正分别作为输入图像和反转输入图像的明显估计。通过执行双照明估计，为输入图像获得两个中间曝光校正结果，并采用多重曝光图像融合技术自适应地混合两个中间曝光校正图像和输入图像的视觉最佳暴露部分形成全局性能好的图像。实验表明，该方法在各种具有挑战性的图像上比现有方法和流行的自动曝光校正工具更为有效。

Oct, 2019

通过自适应学习和连接不同区域的曝光表示，我们介绍了一种有效的面向区域的曝光校正网络（RECNet），可以处理混合曝光的图像。通过区域感知的去曝光模块和混合尺度恢复单元，我们可以处理混合曝光不均匀分布所带来的挑战，并且通过曝光对比正则化策略实现全局图像的均匀曝光分布。在各种数据集上进行的广泛实验证明了我们提出方法的优越性和泛化性。

Feb, 2024

本研究旨在有效地处理在未知曝光时间下所拍摄的视频，采取有监督对比学习构建曝光感知表征，使用两个 U-Net 进行运动分析，通过渐进式曝光自适应卷积和运动细化建立视频重建网络。在模拟和实际数据集上的实验表明，该优化方法在联合视频 x8 内插和去模糊任务上具有显着的性能提升，并且在看似不可能的 x16 内插任务上，该方法在 PSNR 方面比现有方法提高了 1.5 dB 以上。

Mar, 2023

最近，“用户生成内容 (UGC) 视频” 在我们的日常生活中变得越来越受欢迎。然而，由于摄影设备和技术的限制，UGC 视频经常遭受曝光不足的问题。因此，提出了一些视频曝光校正 (VEC) 算法，包括低光视频增强 (LLVE) 和过曝视频恢复 (OEVR)。和 VEC 一样重要的是视频质量评估 (VQA)。不幸的是，几乎所有现有的 VQA 模型都是以一种综合的角度来衡量视频质量。为此，我们提出了基于 LLVE-QA 训练的 Light-VQA，用于评估 LLVE。我们通过将 LLVE-QA 数据集扩展为视频曝光校正质量评估 (VEC-QA) 数据集以及过曝视频和其对应校正版本，扩展了 Light-VQA 的工作。此外，我们提出了 Light-VQA+，一种专门用于评估 VEC 的 VQA 模型。Light-VQA + 与 Light-VQA 的主要区别在于使用了 CLIP 模型和在特征提取期间的视觉 - 语言引导，然后通过引入人类视觉系统 (HVS) 的新模块进行更准确的评估。广泛的实验证明，我们的模型在 VEC-QA 数据集和其他公共数据集上的性能优于当前现有的 VQA 模型。

May, 2024

该研究论文介绍了一种基于学习的系统，通过使用基于 Transformer 的深度神经网络来减少低动态范围相机在处理宽动态范围输入时经常出现的局部过曝问题，同时不需要复杂的曝光交替或昂贵的处理来实现高动态范围成像。研究采用了多尺度深度神经网络，并使用合适的代价函数进行训练以达到现有技术水平的质量。通过引入过去的参考帧作为额外输入，帮助重建过曝区域，利用自动曝光中常见的暂时不稳定性，训练了一个决定是否将当前帧作为未来参考帧的参考帧选择深度神经网络。因此，无需交替曝光，得到了一种因果关系的潜在应用于常见视频采集环境的高动态范围幻影算法。

Aug, 2023

本文提出使用深度神经网络结合单一曝光下多图像曝光融合技术来解决现代相机的动态范围限制问题，并在手机摄影实验中获得了高质量的图像。

Apr, 2020

本文提出了一种基于监督学习策略的视频降噪方法 RViDeNet，并构建了一个包括 55 组带噪声 - 无噪声对的动态视频数据集，实验表明我们的方法在室内外视频降噪方面表现优于现有算法。

Mar, 2020