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学习的图像融合算法，通过使用自对准模块和细节补全模块实现图像对齐和特征融合。在神经结构搜索的基础上，找到了更加紧凑和高效的网络结构，实现了比较优异的成果。

May, 2023

通过使用 Macro-Micro-Hierarchical transformer 来处理曝光问题，该方法结合了宏观和微观的特征提取并具有层次结构，通过对不同尺度的误差逐层修正，同时使用对比度约束来提高图像质量，从而在曝光修正以及图像增强方面取得了优于现有方法的结果。

Sep, 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

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

该论文设计了一种基于多曝光融合的低光图像增强框架，使用光照估计和相机响应模型来综合多副本图像，并通过融合算法实现了对比度和明度的准确提升。实验表明，该方法较其他现有方法更少引入对比度和亮度失真。

Nov, 2017

本文提出了使用曝光融合方法进行阴影去除的新解决方案，其中包括将输入图像的多个过度曝光图像的阴影区域与其无阴影区域的颜色相同，使用阴影感知的 FusionNet 生成融合权重图，并使用边界感知的 RefineNet 去除剩余的阴影痕迹。实验表明我们的方法在阴影区域性能更佳，在非阴影区域表现与现有最先进方法相当。

Mar, 2021

本研究提出了一种基于神经网络的端对端算法，采用融合策略从浑浊图像中直接恢复出清晰图像，并实现多尺度处理以避免光晕伪影，实验证明该方法在合成和真实图像中都有优于现有算法的表现。

Mar, 2018

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

该研究提出了一种自监督的高动态范围（HDR）重建方法 SelfHDR，该方法仅需使用动态多曝光图像进行训练，可消除对有标签数据的需求，并通过两个互补组件来学习重建网络，分别关注 HDR 颜色和结构。实验结果表明，SelfHDR 在真实世界图像上优于最先进的自监督方法，并与有监督方法具有可比性。

Oct, 2023