•它提出了低光照增强任务存在的三个难点：
•（1）如何有效的从单张图像中估计出光照图成分，并且可以灵活调整光照level?
•（2）在提升图像亮度后，如何移除诸如噪声和颜色失真之类的退化？
•（3）在没有ground-truth的情况下，样本数目有限的情况下，如何训练模型？
Contribution
•受Retinex理论的启发，提出的网络将图像分解为两个分量，即反射和照明，将原始空间分解为两个较小的分量。
•网络使用在不同光照/曝光条件下捕获的成对图像进行训练，而不是使用任何groud-truth反射和照明信息。
•我们设计的模型提供了一个映射功能，可以根据用户的不同需求灵活地调整亮度。
•提议的网络还包含一个模块，该模块能够有效地消除通过照亮黑暗区域而放大的视觉缺陷。
•进行了广泛的实验，以证明我们的设计的有效性及其相对于最先进的替代品的优越性
Architecture
Layer Decomposition Net
Reflectance Restoration Net
Illumination Adjustment Net
Illumination Adjustment Net
Experiences
•Dataset : LOL dataset which includes 500 low/normal-light image pairs.
•Device : Nvidia GTX 2080Ti GPU and Intel Core i7-8700 3.20GHz CPU
•Framework : Tensorflow
•Evaluating Indicator :PSNR、SSIM、LOE、NIQE
Results
Conclusion
Kindling the Darkness: A Practical Low-light Image EnhancerProblems•它提出了低光照增强任务存在的三个难点：•（1）如何有效的从单张图像中估计出光照图成分，并且可以灵活调整光照level?•（2）在提升图像亮度后，如何移除诸如噪声和颜色失真之类的退化？•（3）在没有ground-truth的情况下，样本数目有限的情况下，如何训练模型？Contribution•受Retinex理论的启发，提出的网络将图像分解...
论文
地址：https://arxiv.org/abs/2001.06826
Tips：快速下载arxiv
论文
,在网址后面加上日期和页号
(http://xxx.itp.ac.cn/pdf/1406.2661.pdf)
github：https://github.com/wangyin0810/Zero-DCE
一、
论文
思路和创新点
论文
思路：
在Introduction第二段中点名ZeroD.
暗
态
图像增强
算法汇总
为了实现低光照条件下获取的图像进行色彩对比度增强及降噪，我们需要引入
暗
态图像处理方法。其中主流的算法大致可以即普通方法、基于光照的方法以及基于
深度学习
的方法三类。
传统的
暗
态图像处理方法主要有直方图处理以及伽马均衡等方法。对于一个处在
暗
光条件下的图像，其所对应的直方图分布主要集中在低亮度的区间。针对直方图概率密度函数进行重新伸缩变换就可以重新映射得到亮度分布符合自然光照条件的图像。
针对直方图均衡后的结果可以根据对应的变换函数得到增强之后的图像。
直方图匹配看似简单易行，但
用于夜视和监控的
图像增强
方法
论文
《Experiments on image enhancement for night-vision and surveillance》阅读
本文综述了近年来夜视彩色
图像增强
技术在监控中的应用进展。受先前开发的色彩稳定性方案的启发，我们首先测试简单的算法来增强
暗
图像。这些方法已成功应用于不同的研究领域，然而，这种增强方法有时不能产生逼真的颜色。我们继续我们的讨论，现在应用日光图像的颜色映射，将一阶统计数据从目标图像传输到黑
暗
图像。特别是，我们探索了在RLAB颜色
之前在做光照对于高层视觉任务的影响的相关工作，看了不少基于
深度学习
的低光照增强（low-light enhancement）的文章[3,4,5,7,8,9,10]，于是决定简单梳理一下。
光照估计（illumination estimation）和低光照增强（low-light enhancement）的区别：光照估计是一个专门的底层视觉任务（例如[1,2,6]），它的输出结果可以被用到其它任务...
论文
：Underexposed Photo Enhancement Using Deep Illumination Estimation
地址：https://openaccess.thecvf.com/content_CVPR_2019/html/Wang_Underexposed_Photo_Enhancement_Using_Deep_Illumination_Estimation_CVPR_2019_paper.html
代码：https://github.com/Jia-Research-Lab/
关于低照度
图像增强
的
深度学习
论文
（AAAI 2020）
EEMEFN-Low Light Image Enhancement via Edge Enhanced MultiExposure Fusion Network
Problems
•现有的方法往往很难从极度
暗
/亮的图像中复原细节信息；
•由于没有正常曝光的图像信息，现有的模型中存在色彩畸变，
暗
光会导致颜色失真不可复原；
•由于物体的边界比较模糊，pixel-wise loss会对不同的物体进行相同的处理，并导致一个模糊的结果。
Description
在进行
深度学习
训练的时候，我们往往会面临数据集不够的情况，需要进行数据集的扩充，数据集的扩充有多种多样的方式，在这里总结了7种数据扩充的方法对数据进行数据增强，包括：亮度增强，对比度增强，翻转图像，仿射变化扩充图像，错切变化扩充图像，HSV数据增强7种方法对数据进行增强。
前四种方式很好理解，仿射变化和错切变化的原理请参考：
数据增广：旋转，缩放，平移以及错切_太阳花的小绿豆的博客-CSDN博客
HSV数据增强的方法请参考：
HSV模型简介以及利用HSV模型随机增强图像_太阳花的小绿...
#对比度和亮度
def Contrast_and_Brightness(alpha, beta, img):
blank = np.zeros(img.shape, img.dtype)
# dst = alpha * img + beta * blank
深度学习
在
图像增强
领域中取得了巨大的成功，其中之一就是微光
图像增强
。微光图像是指在弱光或极低光照条件下拍摄的图像，通常具有低对比度和高噪声。在观看这类图像时，人眼很难清晰地捕捉到图像中的细节。因此，对微光图像进行增强是非常有必要的。
深度学习
方法通常是通过训练一个深度神经网络来自动学习
图像增强
的映射。这些方法通常利用大量的训练样本，包括许多微光图像和相应的增强后的图像。通过不断地对网络进行训练，网络可以学习如何将输入图像转换为具有更高对比度和更低噪声的图像。
在
论文
中，我们首先给出了一个简要的背景介绍，描述了微光
图像增强
的重要性以及
深度学习
在这一领域中的应用。然后，我们给出了我们使用的深度神经网络的具体结构和训练方法。接下来，我们描述了我们使用的数据集以及如何将其用于训练和测试网络。最后，我们对网络的性能进行了
