CVPR 2020，还是基于coarse to fine的思路，motivation是，对于低光图像恢复，其noise在低频区域更容易被捕获和消除，因此先对低频区域做处理可以更好的保留足够的颜色等信息，再基于恢复的低频对高频进行处理恢复细节，根据低频恢复高频这样也更加容易一些。因此，论文提出了一个ACE模块用来分离低频和高频区域的信息（当然中间是加了低频监督实现的，单纯的这个模块肯定是不行的），先实现噪声去除和低频信息恢复。使用CDT模块辅助实现多尺度的噪声去除和细节恢复，论文提出的整体模型如下所示:
如上图所示，这里首先是获得一个content map C，然后通过C得到一个放大图A，借助A对C进行进一步的增强，这里并非retinex的那种illumination map的增强，而是类似于一种attention，过程表示如下:
其中$\alpha$是一个全局增强系数，也是通过C获得的。第二步细节恢复输入是第一步的结果，该过程通过一个残差的方式实现。
ACE模块是为了得到图像的高低频信息，如下所示：
如上图所示，这里通过两个不同dilated的卷积feature相减，得到一个contrast map $C_a$，然后用1-$C_a$去表示低频区域，记为$\hat{C_a}$，再用这个低频map乘以输入，得到图像的低频部分，最后通过一个nonlocal模块，实现非局部式的增强（这儿做降采样实现减小计算量），这里在第一个图中的两个ACE是共享权重的。
对于CDT模块是为了减小输入特征和增强特征的domain并扩大感受野，如下图所示:
如上图所示，第一个阶段这里也是使用$\hat{C_a}$作为引导滤出高频区域，然后使用self attention生产vector进行channel 放缩，第二个阶段同理，不赘述。在loss上，这里对第一个阶段使用gt的低频区域作为监督，第二个阶段使用GT本身作为监督，如下所示:
四项分别是第一个阶段的content图，GT的低频图，最终的增强图和GT图。此外，论文还使用了VGG loss。
总而言之，论文使用了coarse to fine的思想实现增强，但是感觉对比的方法不够新，且参数量和速度上也没有对比，不知道相同条件下和其他比较新的方法对比效果如何。