ICME 2020两篇做低光照增强的论文
ZERO-SHOT RESTORATION OF UNDEREXPOSED IMAGES VIA ROBUST RETINEX DECOMPOSITION 出发点是在没有pair对的情况下实现低光图像增强，通过对loss进行迭代来有效估计出噪声和恢复光照，整体结构如下所示：
...
ACMMM 两篇关于增强的论文
Integrating Semantic Segmentation and Retinex Model for Low Light Image Enhancement 2020 MM，增加中间的语义监督，辅助低光照图像增强。如下图所示:
可以看出，这里将图像分
...
阅读论文"Learning an Adaptive Model for Extreme Low-light Raw Image Processing"
论文要解决的问题是，原有的低光照增强方法只能将低光图像增强为正常光照图像，但是无法将其他光照的图像也进行增强。论文设计的方法将图像增强分解为光照估计模块和曝光调整模块。此外，还提出了一个具有不同曝光度的数据集。整体架构如下所示:
可以看出，这里的BPN用来通
...
阅读论文"Deep Degradation Prior for Low-quality Image Classification"
2020 CVPR oral，师兄的论文。论文的出发点是从统计学的角度出发，发现了在VGG这种分类网络的特征上，不同数据集的clean的图像具有更相似的特征表示，而不同数据集相同降质图像具有更相似的特征表示。而降质的特征表示和clean的特征表示具有明显的GAP。因此论文提
...
几篇使用全局调整做增强的论文
Supervised and Unsupervised Learning of Parameterized Color Enhancement(2020 WACV) 核心思想是提出一个全局增强的方法，优点是保持图像原有的质量，并可以应用到任意的分辨率上，对计算资源的消耗量比较
...
阅读论文“Flexible Example-based Image Enhancement with Task Adaptive Global Feature Self-Guided Network”
论文出发点是要解决多任务的图像画质增强问题，并说明借助多任务获得的共享特征可以达到更好的效果。首先论文使用了特定的网络结构SGN，可以达到较快的速度，其次是提出可以用于不同特性增强的增强方法，具体来说，是使用IN和AdaIN，通过将条件输入转换到隐层空间。整体结构如下图所示
...
阅读论文“Fast Enhancement for Non-Uniform Illumination Images using Light-weight CNNs”
2020 MM，做非均匀光照条件增强。即首先借助Retinex去获得欠曝和过曝两个区域，然后两个过曝欠曝处理的结果和输入图经过融合网络进行融合，最后融合之后的结果通过恢复网络，进行噪声去除。此外，作者还提出一种新的合成仿真数据的方式,pipeline如下所示:
...
阅读论文《learning image-adaptive 3d lookup tables for high performance photo enhancement in real-time》
2020 TPAMI，通过3D LUT操作实现快速图像画质增强，也是即hdrnet之后少有的能从快速底层角度做图像增强的工作。3D LUT已经被广泛应用在调整图像的颜色上，但是它们都是人工设计的，因此该论文对该方法进行了网络上的实现。论文的核心是学习多个基本的3D LUT，
...
阅读论文《self2self with dropout:learning self-supervised denoising from single image》
CVPR 2020，使用自监督学习做去噪。这篇论文的出发点是通过在网络里使用dropout最后施加平均，使得网络去噪的方差更小。在训练的时候，这里通过伯努利采样的方式构建一个自监督loss。在测试的时候，则将预测的结果进行平均，作为最终结果。网络结构如下所示:
...
阅读论文《latticenet:towards lightweight image super-resolution with lattice block》
2020 ECCV，借鉴了Lattice滤波器的思想设计网络，每一个LB的系数是由Attention机制得到的，因此系数可以自适应调整。通过使用LB模块，可以使得最终效果达到轻量级的效果。LB的组成方式是通过残差模块RB以不同方式组合得到。LB结构示意图如下所示:
...