2020 ECCV，通过仿真图像合成真实场景video用于低光video增强。目前现有的增强方法都只局限于静态场景以及特定内容，对于动态等场景不使用。论文的出发点是将互联网上的video转换成低光照video，但是直接转过去难度较大，所以通过一个长曝光图像作为中介。最后从而合成大量的仿真pair数据集。论文整体框图如下所示:
可以看出，论文是使用了两个类似cycleGAN的方式进行训练，分别从正常Video A转换到长曝光图像B，以及长曝光图像B转换到短曝光图像C。其中A到B是unpaired的，而B到C转换是paired的。A到B转换的loss如上所示，主要包括两个GAN loss，以及cycle loss和identity loss。B到C的转换loss则为两个GAN loss，以及cycle loss和supervise loss。B到C转换的cycleGAN如下所示:
得到pair的数据后，对于增强网络使用的是一图下半部分的那个网络。训练时先在静止数据集上训，然后仿真数据上finetune。最后在静止数据上finetune。论文使用的GAN均为Patch GAN。具体实验对比参考论文，感觉效果还是非常惊艳的。