刚刚挂在arxiv的一篇论文，使用retinex加上GAN做图像增强。采取的方法和retinexnet有点像,实现低光照域到目标域的转换，构造了一个复杂光度的数据集，实现多曝光度增强（这不就是数据增强吗….)。整体框架如下图所示:
对于输入图像和输出图像还是先使用相同的网络分解成反射图像和亮度图像，对于低照部分的亮度图像，使用一个网络对其进行增强，最后和其反射图像相乘输出增强后的图像，并和目标图像进行比对。论文使用了一大堆loss，主要包括：
1.GAN loss，这个没什么好说的，输出图像和目标图像比对即可。
2.dec分解loss,使用基于平滑函数的L1 loss施加在输出图的光照图Ix’和目标图的光照图Iy上。
3.com loss,这个loss包括最终输出图Ix^和目标图Iy的基于平滑函数的L1 loss，以及它们之间的SSIM loss，从而保持结构一致性。
4.最后这个loss 称为重建loss，包括输入和目标图的分解两部分，其分解之后光照图和反射图的乘积应当还为原来的对应分解前的图像。此外，这里特别需要说明其构建了一个正则loss，其出发点是，如果网络要直接施加loss,那么经过若干次迭代后，输入和目标的反射图都直接变成1或者-1。为了避免这种情况，这里施加正则loss,使得当反射图接近绝对值1时损失变得很大。