本文提出一种新的轻量级卷积神经网络（5k 参数），用于处理各种颜色、曝光、对比度、噪点和伪影等问题，实现非均匀照明图像增强，并通过半监督的修复方法，结合新数据集进行训练。该模型可在实时环境下（50 fps）快速增强图片，有效处理非均匀照明图像。

May, 2020

利用卷积神经网络和 Retinex 理论，基于低光照条件下图像对比度很低的事实，提出了一个低光照图像增强模型。通过实验，证明该模型在质量和量化方面比其他同类模型有优势。

Nov, 2017

本研究探究了使用类脑神经网络模拟人类视网膜模型的可能性，旨在通过模仿各种光学神经元的神经生理原理和动态学，使用简单的神经网络实现低光照图片的无缝恢复。该模型可以节省计算成本，并从主观感知角度产生与复杂深度学习模型相媲美的结果，同时避免了手动寻找最佳参数的过程，为构建相应的神经生物组织的人工版本铺平了道路。

Oct, 2022

本篇论文提出一种深度神经网络结构来平衡网络延迟、内存使用率、模型参数和重建质量等因素，有效地提高了暗光环境下的图像增强处理，尤其适用于边缘设备如嵌入式系统、监控摄像头、自主机器人和智能手机等。

Nov, 2020

本文提出了一种模拟相机成像管道的框架，使得可以生成更为真实的图像数据对于消噪任务进行训练，实验表明，基于该框架训练的模型在真实相机上具有目前最优异的消噪效果。

Mar, 2020

本研究提出了一种基于 Retinex 框架和卷积神经网络的逐渐增强低光照下图像的方法，既抑制了图像噪声的干扰，又大大提高了计算效率。同时，提出了一种基于相机成像模型的图像合成策略，有效解决了训练数据不足的问题。实验结果表明了该方法优于现有的低光照增强方法。

Nov, 2019

本研究论文提出了一种使用深度学习，特别是卷积神经网络（CNNs），与计算机视觉技术相结合的创新方法来革新艺术修复领域。通过创建多样化的退化艺术图像数据集，我们训练了一个分布式去噪卷积神经网络（DDCNN），该网络能够去除失真并保留复杂的细节，可适用于绘画、素描和照片等多种退化艺术品。大量实验证明了我们方法相对于传统技术的高效性和有效性，使退化艺术品焕发出新的风采。定量评估结果证实了我们方法的优越性，重塑了艺术修复领域，为保护文化遗产开辟了新的道路。总之，本论文引入了一种结合计算机视觉和深度学习的基于人工智能的解决方案，通过 DDCNN 准确恢复艺术品，克服了传统方法的局限性，并为艺术修复领域的未来进步铺平了道路。

Oct, 2023

推出一种用于处理低光强下传感器的原始短曝光图像的数据集，运用端到端的深度卷积神经网络进行学习，取代传统的图像处理流程并取得了良好的效果。

May, 2018

本文中，我们提出了一种受视网膜模型启发的神经网络，可以高效地恢复低光图像，并通过直接模拟视网膜神经元的功能来构建特定的生物神经学组织的人工版本。从主观感知的角度来看，我们的模型达到了与复杂的深度学习模型相似的效果，并且相对于传统的信号处理模型减少了计算开销。

May, 2023

本研究提出了一种使用多曝光图像的复合细化网络（CRNet），通过完全整合信息丰富的多曝光输入，实现统一的图像恢复和增强，通过池化层显式分离和加强高低频信息，使用特殊设计的多分支块有效融合这些频率，通过大卷积核和反向瓶颈 ConvFFN 的高频增强模块，扩大感受野并充分整合输入特征，本模型在 Bracketing 图像恢复和增强挑战赛的第一轨上获得了第三名，在测试指标和视觉质量上超过了先前的 SOTA 模型。

Apr, 2024