ExpandNet: A Deep Convolutional Neural Network for High Dynamic Range Expansion from Low Dynamic Range Content
主要思想是使用mutiscale的思想进行增强，通过卷积、空洞卷积和全局信息提取分别获得局部、中层和全局的信息，如下图所示:
可以看出，提取的不同尺度的信息最后concat在一起实现了融合。训练时采取patch进行训练，测试时输入的是整张图，同时对全局分支也是resize成和输入patch一样大，如下图所示:
对于激活函数，这里使用SELU,可以解决内部的方差偏移问题。对于损失函数，这里使用了L1 loss和color loss。
End-to-end single image enhancement based on a dual network cascade model
主要思想是通过不同曝光度融合的方法，实现图像增强。通过两步实现，首先是生成欠曝、过曝两种类型的图片，然后对生成图片和原来的图片进行融合实现增强并恢复细节，如下图所示:
从上图也可以看出，过曝、欠曝不同区域细节程度也是不同的，所以融合在一起可以增加细节。曝光网络就是一个U-Net，融合网络如下所示:
对于损失函数，这里包括L2 loss和SSIM loss，训练的时候则是分为了三步分别进行训练，激活函数则是使用了ELU。