这是2019 CVPR一篇做图像增强的论文，这里不是直接去学习图像到图像的映射，而是间接的去获取光照，进而针对性的对图像进行增强。为了加速图像处理，这里还使用了bilateral上采样，并且使用基于光照先验的损失函数。网络结构如下所示:
这里使用retinex的模型进行增强，如下所示:
这里S表示光照估计图（这里S设成RGB三通道是为了方便进行颜色增强），I是最终获得的图像，因此只要解得真实图像$\hat{I}$的近似解$F(I)=S^{-1}*I$即可。为什么这么做有效呢？因为自然图像的光照图有着相对简单的先验，因此使用光照图做中介可以有效应对各种光照情况，同时也可以通过对光照图进行调整，实现个性化增强，例如可以使用局部平滑的光照图增加对比度，
网络结构图很简单，如上所示，这里简要说一下它的loss，包括一个重建loss，这个loss是预测图和目标图的L2 loss，如下所示:
这里约束S的大小S的最小值为$I_i$,从而保证输出颜色在有效区间内。此外还有一个平滑Loss，如下所示：
其中，$w{x,c}^p = (|\partial_x L_i^p|_c^{\theta}+\epsilon)^{-1}$,$w{y,c}^p = (|\partial_y L_i^p|_c^{\theta}+\epsilon)^{-1}$,其中$L_i$是输入图像的对数，这里说明光照图希望使得输入图像平滑区域的光照图尽可能平滑，不连续区域尽可能有较大的不连续性。
最后是color loss,这里的color loss在L2基础上施加是为了使得图像上颜色方向也可能接近，因此定义如下:
三角形符号表示计算颜色的方向，实验结果见论文。