提出了一种基于扩散模型的零参考光估计扩散模型，用于低光图像增强，通过零参考学习成功地弥补了对成对训练数据的依赖，并通过与初始优化网络之间的双向约束实现光照增强。

Mar, 2024

当前，低光条件给机器认知带来了重大挑战。本文提出了一种利用零参考低光增强方法改善下游任务模型性能的策略，通过利用丰富的视觉 - 语言 CLIP 先验来改进零参考低光增强方法，避免了对配对或非配对正常光数据的收集工作，并证明了不需要正常光数据的学习提示可以改善图像对比度，减少过度增强和噪声过放大。另外，通过零样本开放式词汇分类利用 CLIP 模型进行语义指导，优化低光增强以提高任务性能而非人类视觉感知。通过大量实验结果显示，所提出的方法在各种数据集上都取得了一致的改进效果，并将其与最先进的方法进行比较，展示了在各种低光数据集上的有利结果。

May, 2024

本研究提出了一种低光图像增强范式，利用自定义的可学习先验来提高深度展开范式的透明度和解释性，通过 Masked Autoencoder（MAE）的特征表示能力定制了基于 MAE 的光照和噪声先验，并在多个低光图像增强数据集上的实验证明了该范式优于现有方法。

Sep, 2023

本文提出了一种基于语义引导的零样本低光增强网络，用于低光图像的实时检测和分割，并在基准数据集和低光视频上进行了广泛的实验，表明该模型优于先前的最新技术水平。

Oct, 2021

在低光条件下，通过添加场景描述的先验信息，使用文本条件扩散模型，我们在合成和真实世界图像上展示了图像重建在低光条件下的显著改进。

Dec, 2023

通过零样本白天 - 夜晚领域自适应方法，我们在不需要真实低光照数据的情况下，提出了一种增强低光物体检测的方法。我们设计了一个反射率表示学习模块，通过仔细设计的光照不变性增强策略，学习了基于 Retinex 的图像不变性。同时，我们引入了一个互换重组相干步骤，通过进行两次顺序图像重组和引入重组相干损失来改进传统 Retinex 图像分解过程。在 ExDark、DARK FACE 和 CODaN 数据集上进行了大量实验，验证了我们方法的强大低光照普适性。

Dec, 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

本文探讨了零样本学习的情景在域适应中的应用，通过利用基于物理反射模型提取的视觉归纳先验减少了在测试集中获取相关数据的代价和困难，使用可训练的卷积神经网络将色不变边缘检测器作为图层，证明了色不变图层减少了网络中特征映射激活的昼夜分布偏移，并在多个任务中展示了零样本昼夜域适应的提高。

Aug, 2021

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

本文提出了一种名为 EnlightenGAN 的高效的非监督生成对抗网络，采用了无配对的训练数据来提高低光图像的质量，通过全局局部鉴别器结构，自我规范化的知觉损失融合和注意机制等方法，在不同种类的图像测试中表现优于其他方法。

Jun, 2019