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

本研究提出了一种新的Degradation-to-Refinement Generation Network（DRGN），通过两个步骤研究自然低光图像中的intrinisic degradation和diffuse illumination color loss的问题，使其具有更好的表现和性能。

Mar, 2021

该研究通过引入新的数据合成流程来模拟真实的低照度模糊退化，提出了联合低照度增强和去模糊的大规模数据集LOL-Blur，同时提出了一种名为LEDNet的有效网络，解决了夜间摄影低照度和模糊问题。

Feb, 2022

提出了一种基于扩散模型的降级感知学习方案，通过有效整合降级表示和图像先验进程，从而改善图像增强效果。并且在多个基准数据集上的实验证明，该方法在定量和定性上优于现有的低光图像增强方法。

Jul, 2023

基于深度展开网络的双重退化启发的低光图像增强模型，通过构建双重退化模型来显式模拟低光图像的恶化机制，学习两个不同的图像先验，并通过局部和远程信息建模模块和空间聚合模块增强图像的表示能力。

Aug, 2023

我们提出了一种降级感知的视觉-语言模型（DA-CLIP），用于将预训练的视觉-语言模型应用于低级视觉任务，作为通用的图像恢复框架，通过集成嵌入到图像恢复网络中并进行交叉注意力，使模型能够学习高保真度的图像重建。

Oct, 2023

本文介绍了一种适用于夜晚图像增强的新方法，使用自学习先验学习和严格的数据增强，以改善图像中的夜雾，降低图像中的光照效果和噪声，并优化可见性。该方法通过提供强大的网络先验知识，提高了现有夜晚图像去雾方法的性能。

Mar, 2024

我们的研究介绍了一种名为LightDiff的领域定制框架，该框架旨在增强自动驾驶应用中低光照图像的质量，通过使用多条件控制扩散模型并运用增强学习来引导扩散训练过程，从而在夜间条件下显著提高多个先进的三维检测器的性能并实现高视觉质量分数。

Apr, 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

本研究解决了夜间相机深度估计的挑战，尤其是在自动驾驶应用中准确的深度感知至关重要。通过引入光增强深度(LED)这一新方法，该研究利用现代车辆的高清车头灯投射图案来显著提升低光环境下的深度估计精度，且在合成和真实数据集上展示了多个深度估计架构的性能提升。最终，研究还发布了夜间合成驾驶数据集，提供了49,990幅全面标注的照片级真实图像。

Sep, 2024