本文提出了一种基于 Swin Transformer 的双分支网络，以信噪比先验图为指导，利用无监督学习构建优化目标，实现低光图像增强，并在实验中取得竞争性的结果。

Jun, 2023

本文提出了一种轻量级网络，采用 Siamese Self-Attention Block (SSAB) 和 Skip-Channel Attention (SCA) 模块，提高了模型对全局信息的聚合能力，适用于高分辨率图像，并且基于对低光图像恢复过程的分析，提出了一个优于现有方法的二阶段框架，能够在保持最先进的恢复质量的同时，用最少的计算量恢复一张 UHD 4K 分辨率的图像。

Dec, 2023

提出了一种名为 BSSTNet 的模型，它通过引入模糊图，将初始的密集注意力转化为稀疏形式，从而更全面地利用整个视频序列中的信息。BSSTNet 在变换器中使用了更长的时间窗口，利用较远帧中的信息来修复当前帧中的模糊像素，同时引入了由模糊图引导的双向特征传播，降低了由模糊帧引起的错误累积。实验结果表明，提出的 BSSTNet 在 GoPro 和 DVD 数据集上优于现有的方法。

Jun, 2024

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

本文提出了一种新颖的方法，即 Spatial Adaptation and Temporal Coherence (SATeCo)，用于视频超分辨率的空间适应和时间一致性，通过学习低分辨率视频的空间 - 时间指导，实现高分辨率视频去噪和像素级视频重建的校准。在预先训练的 UNet 和 VAE 中，通过两个经过精心设计的空间特征适应 (SFA) 和时间特征对齐 (TFA) 模块的优化，实现了 SFA 对帧特征进行调节，通过自适应估计每个像素的仿射参数，确保高分辨率帧合成的像素级指导；而 TFA 通过自注意力机制深入分析 3D 局部窗口 (小管) 内的特征交互，并在小管和低分辨率对应物之间执行交叉注意力，以指导时间特征对齐。在 REDS4 和 Vid4 数据集上进行的大量实验验证了我们方法的有效性。

Mar, 2024

提出了一种运用 Spatio-Temporal Deformable Attention Network (STDANet) 实现视频去模糊的方法，STDANet 不仅仅考虑图像中的流动信息，同时考虑图像中像素点的清晰度，从而使得方法得到的清晰显著提高。

Jul, 2022

通过精细化的结构化时空对齐学习方法（Finsta），将输入的文本和视频以细粒度场景图（SG）结构表示，进而统一为整体性 SG（HSG），从而加强语义和时序的视频 - 语言对齐，提高大规模视频 - 语言模型（VLMs）在各种下游任务中的性能。

Jun, 2024

该研究提出了一种新的低光图像增强模型，名为 SCRNet，在渐进式地应用空间一致性的原则下，从通道层面、语义层面和纹理层面三个层次上提高低光图像质量，比现有的最先进方法具有更好的表现。

May, 2023

本文提出了一种基于关注机制的神经网络方法，通过通道关注和空间关注模块抑制色差和噪点，以及使用倒置洗牌池化层选择有用信息，实现从原始传感器数据生成高质量的低光图像增强，表现优异，特别是在低光条件下存在严重噪声时。

May, 2020