2019 TIP的一篇论文，将网络分别用来学习全局的内容特征和边缘细节特征。有点类似于之前分别学习高低频的思想。其中内容部分用来增亮场景，是一个编解码结构，而细节部分使用一个RNN,用来预测结构化信息。为了增强鲁棒性，在训练中还向图片里添加高斯噪声，从而使得模型有去噪效果。整体结构如下:
内容分支里，除了卷积，这里还使用了空洞卷积去扩大感受野，上采样使用的是反卷积。这里重点要说明的是下面的边缘学习网络。
边缘学习网络的基本架构是一个RNN结构，一般的RNN不能直接用在低照图像上，因为低照图像和正常图像整体能量是不一样的，这里对RNN的改进和结构如下:
输入信息是低照图像和其边缘图像，在RNN里，其使用权重图g和p以及多尺度的特征x，去迭代生成隐藏状态，也就是边缘特征。对于每一个方向，输入图像被看做是一个1D序列，总共其考虑了四个方向。为了获得多尺度的信息，送到RNN的图片先通过下采样CNN分别变为原来的1/2,1/4和1/8,然后扩大到和原始图一样大并concat在一起。RNN从四个方向扫描生成四个结果图，对每个位置从中选出响应最大的。权重图是通过CNN学习得到的。
损失函数方面，这里包括MSE loss,基于VGG的loss和基于GAN的loss。