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
提出了一种端到端的曝光校正模型，采用感知损失，特征匹配损失和多尺度辨别器来提高生成图像的质量并使训练更加稳定，实验结果表明其有效性。在大规模曝光数据集上，取得了最新的最优结果，并研究了图像曝光设置对画像抠图任务的影响，发现曝光过度和曝光不足的图像导致画像抠图质量严重降低，采用所提出的模型进行曝光校正后，画像抠图质量显著提高。
Apr, 2022
本文提出了一种新颖的自动曝光校正方法，核心在于双重照明估计，将欠曝光和过曝光校正分别作为输入图像和反转输入图像的明显估计。通过执行双照明估计，为输入图像获得两个中间曝光校正结果，并采用多重曝光图像融合技术自适应地混合两个中间曝光校正图像和输入图像的视觉最佳暴露部分形成全局性能好的图像。实验表明，该方法在各种具有挑战性的图像上比现有方法和流行的自动曝光校正工具更为有效。
Oct, 2019
本文提出了一种有效的基于对比学习的语义低光图像增强算法，利用多任务联合学习将低光图像增强任务转化为对比学习、语义亮度一致性和特征保护三个约束，用于同时确保曝光、纹理和颜色的一致性。实验结果表明，该方法优于当前六个独立交叉场景数据集中最好的低光图像增强模型。
Dec, 2021
本文介绍了一种基于 Retinex 理论的视频曝光校正方法，通过构建配对的视频数据集，并利用多流照明学习机制对过曝和欠曝进行增强来提高视频的质量，实验结果表明，该方法在图像曝光校正和欠曝视频增强方面优于现有方法。
Feb, 2024
通过自适应学习和连接不同区域的曝光表示，我们介绍了一种有效的面向区域的曝光校正网络（RECNet），可以处理混合曝光的图像。通过区域感知的去曝光模块和混合尺度恢复单元，我们可以处理混合曝光不均匀分布所带来的挑战，并且通过曝光对比正则化策略实现全局图像的均匀曝光分布。在各种数据集上进行的广泛实验证明了我们提出方法的优越性和泛化性。
一种名为 JCRNet 的新型结构被提出，可更有效地平衡亮度，颜色和照明。该方法通过三个阶段来增强亮度，颜色和照明，并在低光图像增强任务中显示出明显的综合性能优势。
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
为了增强图像而不受其反射率的强约束，我们提出了一种新的可训练模块，它将低照度图像和光照图映射成增强图像，并结合无监督学习适应不同任务。
Apr, 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。