2019 TIP一篇做图像增强的论文，从一个新的角度对图像增强做阐述，个人感觉有点难懂。首先，论文提出一个大气光吸收模型，可以用来合理的解释大气光吸收的过程，其还可以恢复出一些隐藏的细节。其次，论文说明吸收光线的散射图的最小通道是高局部相似的，可以被超像素约束，可以在增强的过程中抑制噪声。最后，这里使用反的大气光散射图代替大气光散射图去降低其在结果中的效应。具体如下:
Absorption Light Scattering Model
之前增强可使用以下公式:
其中第一项是直接反射图，第二项是大气光照。如果A很小，整张图就会变得很暗，获得有效信息就会很难，所以该模型不适合用来获得暗场景的信息。这里将A(x)R(x)作为场景反射，所以A(x)(1-R(x))作为场景吸收，用来描述大气光被场景吸收的程度，所以上述公式可以变为:
这个新的物理模型的意义在于，场景本身可以看做是一种光照信息，在缺少额外光源的情况下，所有吸收的光都被辐射出去，而且光线直接到达相机没有被散射，构成上面的左式。
Monotonic Analysis
一堆复杂的分析，看的很晕，简要而说结论是。$I_c(x)$随着$R_c(x)$单调递增的，所有增强问题也是改进场景反射R(x)。然后使用a(x)代替A(x)，这里进一步说明$R_c(x)$随着a(x)的减小而增加，且随着t(x)d的减小而增加。过程分析有点难懂，具体看论文吧。。。
Minimum Channel Constraint
增强每个通道的通过使用虚拟额外的$A_c$，低光照图像也能被增强，从而反映出许多细节。所以公式可以简化为:
该式左边的像素是高度局部相似的，因为局部区域距离相机的距离相近，保证了t是不变的，且局部区域的物理属性相近，即1-R(x)是不变的。接下来的观察发现最小值策略有最大的值。最后这里使用超像素进行替换，超像素表示为:
此外这种方式还可以抑制噪声。然后是 Mean standard deviation mechanism，没看懂在干啥，貌似是对传输图t做修正。给出的处理的过程图如下所示:
