这是2017年arxiv上挂的一篇做低光照图像增强的论文，其原理是模拟mutiscale的 retinex理论使用CNN进行图像增强，基本思路是将多尺度的retinex等价于一个前向网络嵌入不同的高斯卷积核。这里基于此原理提出一个网络直接学习弱光照到强光照图像的转换。传统的MSR方法可以看做是一系列SSR方法的加权之和。MSR框架和本文提出的框架如下所示:
Retinex理论的基本公式为$I(x,y) = r(x,y) \cdot S(x,y)$，SSR使用类似于DOG的原理得到如下公式:
其中R是retinex的输出，I是第i个颜色光谱在，*表示卷积，F表示高斯环绕函数。上式其实等价于下式:
这两个式子其实并没有太大的差别在实验里，这里选择后一个式子，MSR是多个SSR输出的加权组合，表示如下:
实验证明选择n=3效果比较好，上述式子可写为:
注意到两个高斯函数的卷积仍然是一个高斯函数，方差是两者之和，所以这里可以用级联结构去表示上式，如上图（a）所示。第一个卷积核是高斯分布的，方差为$c_1^2$，后面两层分别是$c_2^2-c_1^2$和$c_3^2-c_2^2$。concat用来表示加权求和，也就是说MSR完全可以用一个有残差连接的前向传播网络来表示。
论文提出的方案将步骤分成了三步，分别是Log转换部分，卷积差部分和颜色恢复部分。在第一步，首先输入的图像被多个log转换函数进行转换，如下所示:
然后将这些M个图 concat在一起，并且通过一个卷积核卷成3通道的输入，这一步的目的是为了获得多个log转换结果的加权和，从而加速网络收敛。第二步和上面介绍的MSR的过程比较像，将该步的输入减去cooncat在一起卷积后结果获得残差，作为该步的输出。最后的图像恢复部分，这里将上面的结果通过1x1卷积进行转换，作为最后的输出。