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：
可以看出，网络分别输出三个分支，分别是估计反射图R，估计光照图S和噪声图N。通过将光照图进行伽马变换，以及将输入图减去噪声图N并除以S后进行变换得到估计的反射图，最终可以得到恢复的增强图像。
Loss部分，这里主要包括基于Retinex的重建loss，对光照图的基于WLS的loss，分别如下所示:
因为需要关注暗光处的noise去除，且对边缘部分尽可能保留，这里基于光照图引导设计了去噪的loss，如下所示:
从结果上来看，效果还是可以的，loss设计上也比较合理，但是网络上还有继续改进的空间，在光照图变换和噪声去除上也有继续调整的空间，此外，一边训一边测试的模式，时间开销上可能是个问题，也有可以优化的地方。
RDGAN: RETINEX DECOMPOSITION BASED ADVERSARIAL LEARNING FOR LOW-LIGHT ENHANCEMENT
出发点是目前的增强方法只是对光照图进行操作，忽略了反射图可能也会损失颜色细节等问题（真的是这样嘛），所以这里先进行Retinex分解，得到光照图和反射图，然后将反射图，CRM校正后的图像和输入图送入进一步的处理网络，得到最终增强的效果，如下所示:
第一步的输入是输入图和粗略估计的光照图，损失函数包括Retinex重建损失，对光照图的WLS损失,对光照图的初始化损失和对反射图的MSE损失。
接着将上面得到的反射图，CRM校正后的图像和输入图送到下面的网络，使用VGG loss和GAN loss作为约束，从而达到更好的效果。
论文看上去视觉效果还OK，这种coarse to fine的思路在CVPR 2020半监督增强思路是一致的，但是这里对于噪声并没有很好的处理，而且两阶段网络可以设计的各有不同，此外，损失函数的设计上也有可以改进的地方。