本文介绍了一种在低亮度条件下进行图像增强的轻量级神经网络，提出了全局低光强度增强和局部自适应校正的方法来解决不同图像区域的曝光问题，实验结果表明该方法在客观指标和主观视觉效果方面都表现出色。

May, 2023

本文提出了一种新的 LLIE 方法 FLIGHT-Net，它使用一系列的神经架构模块来解决低照度下直方图抑制和信噪比低的问题，通过像素级场景依赖的照明调整来调节照明条件，在包含通道注意力和去噪子块的第二个块的输出中产生输出图像，其高效的神经网络架构只使用 25K 个参数，并实现了最新的性能。

May, 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

提出了一种称为 BCNet 的 “明亮和着色” 网络，通过引入图像着色来解决低光条件下图像增强的问题，并实现基于用户偏好的不同饱和度和颜色风格的定制增强。

Aug, 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

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

该研究提出了一种新的基于语义感知的知识引导框架，结合语义分割模型在低光图像增强中学习丰富多样的先验知识，并通过三个方面的方法实现：语义感知嵌入模块、语义引导颜色直方图损失和语义引导对抗性损失。实验结果表明，该框架在多个数据集上均优于基线模型且具有良好的泛化性能。

Apr, 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

本文提出了一种结合 CNN 和 transformers 的新型框架 ClassLIE，通过综合和区域化的方式对低光图像中的结构和光照信息进行分类和自适应学习，从而显示出更好的增强性能。实验证明，ClassLIE 在五个基准数据集上达到了最先进的表现，LOL 数据集上的 PSNR 和 SSIM 分别为 25.74 和 0.92。

Dec, 2023

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