看了几篇arxiv上最近关于图像增强的论文，依次如下，这里简要说一下基本思想。
EnlightenGAN: Deep Light Enhancement without Paired Supervision
这篇论文是使用非成对图像做无监督的图像增强，实现低照域图像转换，不仅解决成对数据收集难的问题，还实现了不同场景低光照图像对应参考图像亮度不一致的问题。结构图如下所示:
如上所示，网络整体是一个UNet的结构。对于一张图，一般希望增强其亮度暗的区域，所以这里将输入图提取亮度分量I，然后1-I并将其resize到对应的feature大小，和UNet转换中各部分的feature相乘，如上图所示。上采样使用的是resize加卷积的方式去除棋盘效应。Loss部分，包括，一个全局的GAN loss，判别器输入是生成图和目标域的整张图像，一个局部的GAN loss，输出是五个上述两者的patch，两个部分分别做全局和局部的约束，这里的GAN使用了LSGAN。此外，论文还使用了特征保留loss，即生成图和输入图内容要有一致性，这里使用的是VGG特征，同样也分为全局和局部两个部分。
LED2Net: Deep Illumination-aware Dehazing with Low-light and Detail Enhancement
这篇论文做的是低照图去雾。论文要解决的问题是，去雾算法会导致图像变暗，所以此时还要考虑对图像增加一个增强算法。这里通过网络获得光照图的方法，进而获得大气光散射图和传输图，实现去雾，并对去雾结果使用修正的光照图做增强，整体结构如下:
首先对带雾图进行处理，将其进行反转，首先直接输入网络反转后的图像到网络里，网络的结构图如上所示，旁边的支路可以融合多路结果。最后生成的光照图应当是局部平滑的，为了达到保边的效果，这里为光照图施加了原图通道的最小值做引导滤波，获得的光照图为L(x)。然后是估计大气光散射，这里使用了如下公式：
其中G是全局大气光散射，使用是光照图的最大值。这里采用这个公式是为了获得局部性质的大气散射图，保留了局部特征。最后传输图用1-L（x)来表示，代入去雾公式进行估计，得到去雾图公式:
在上述去雾的过程中，会使得图像变暗，所以这里对原来的光照图的反图像做gamma变换：$L’ = (1-L)^{\lambda}$,最终结果为$E = \frac{J(x)}{L’}$，从而使得暗区域变亮。最后还需要对细节进行增强，这里加入了如上图所示的细节网络，采用的是类似于VDSR的结构，获得输出图。训练使用的Loss是L2 loss。
Exposure Interpolation Via Fusing Conventional and Deep Learning Methods
这篇论文的核心思想是将传统的融合方法融入到深度学习框架里，从而达到收敛速度快、减少训练数据量的效果，毕竟算是加了先验。给定输入x，一般深度学习方法通过y’=f(x)去获得近似的结果y’去逼近真实的y。这里，先用传统方法获得近似解g(x)，那么网络学习的目标就变成了y-g(x)，这是一个相对稀疏的解，可以使得网络学习更加容易，这是这篇论文的出发点。
要解决的问题是两张低曝光图像去融合生成中等曝光度的图像，具体传统融合算法不表，整体流程图如下所示:
具体网络里，这里使用了LRL模块，包括线性残差模块和倒向残差模块。使用的Loss是L2 loss，其他具体不表。
Trinity of Pixel Enhancement: a Joint Solution for Demosaicking, Denoising and Super-Resolution
联合去马赛克、去噪和超分辨，感觉主要是提供了一个新的数据集，人工合成GT。核心思想是如何执行这三者的顺序，如果先去马赛克，再超分辨，去马赛克的产生的artifact会被放大。这里采取的策略是先进行去噪和SR，最后去马赛克，采用一个端到端的网络，依次进行操作，结构图如下所示:
第一步是执行去噪和SR联合进行，这里使用ESRGAN网络，输入是五个通道图（四通道的raw和一通道的噪声图），输出是四通道图，去马赛克部分输入是四通道图输出是三通道RGB图。使用L2 loss,分别施加在两个部分做约束，其他不表。