2020 cvpr,和2019 MM deep internal learning做背光图像增强那篇论文的出发点和idea都是一样的，相较那一篇在具体方法上也相似但稍微复杂一点。出发点仍然是使用没有GT的图像实现self增强，具体手段也是使用curve增强曲线。即通过对像素值增强方式和增强结果设置先验，利用网络模拟curve曲线进行引导与迭代增强。整体的framework如下所示:
论文要求增强曲线要满足三个准则:1.增强后的像素值应该在【0,1】之间；2.增强曲线应该是单调的以确保相邻像素的相对大小关系；3.增强曲线应当是可导的以方便网络梯度回传。
这里迭代曲线使用如下所示：
注意，这里的曲线施加的对象是RGB每个通道分别施加的，这么做是为了保持颜色特性。上式x表示像素位置，n表示迭代次数，L表示像素值。因为全局映射没有考虑局部增强的差异性（例如过曝欠曝区域增强），所以这里的增强系数$\alpha_n$可以通过对局部区域的每个像素分别实行(即变成和像素位置x相关的函数)，从而确保增强曲线的三个原则，上式即变为:
所以要使用网络生成这样pixel wise增强map A，网络是一堆卷积没啥特别的，最后生成24个map，分别用于8次迭代里生成的A。论文使用的一些loss如下，首先是Spatial Consistency Loss:
即局部区域和相邻区域的像素相对大小在增强前后不变，这里区域大小为4x4；然后是Exposure Control Loss，为了避免过曝或欠曝:
这里目的让局部区域的像素平均值尽可能接近E(设为0.6)，局部区域大小是16x16；然后是Color Constancy Loss，如下如下所示：
这里是要让增强后的颜色尽可能相关，最后是Illumination Smoothness Loss，目的是为了让光照图也就是A保持单调性，同时也符合光照图的平滑先验：
将这几个loss联合在一起训练。论文使用的数据集是SICE数据集，输入是part1，参考的GT是Part4。没有使用LOL和SID数据集猜测是因为此论文没有考虑噪声的因素（这个地方有灌水新空间嘿嘿），具体实验结果参考论文，此处不表。