论文出发点是要解决多任务的图像画质增强问题，并说明借助多任务获得的共享特征可以达到更好的效果。首先论文使用了特定的网络结构SGN，可以达到较快的速度，其次是提出可以用于不同特性增强的增强方法，具体来说，是使用IN和AdaIN，通过将条件输入转换到隐层空间。整体结构如下图所示:
SGN的结构之前曾用在去噪任务里。这里做了一点调整，首先是融入了全局特征调整模块，如上图最上面的部分所示。其次是嵌入了IN层，可以作为对全局特征的一种形式的调整。为了实现灵活的自适应增强，这里将控制不同任务的隐式输入z送入全连接层，然后通过三个全连接层，得到w，w则被送入AdaIN层，用来调控输入。
为了使得网络在无监督情况下也能实现自适应增强，这里使用了如下所示的半监督训练方式：
可以看出，这里使用了类似于cycleGAN式的结构，包括WGP-GAN loss,cycleLoss。这两个loss，比较常见，特别的这里有一个Illumination invariant identity loss，这里基于图像增强主要是亮度上的调整，因此对输入和输出图像减均值后再计算MSE loss，从而保证内容上的一致性。此外，对于1对多的映射，这里使用一个分类器C从输出图像中产生隐层特征表示z’，与z计算loss。最终对这些loss进行组合，作为最后的loss。
论文最大的亮点是提出控制输入来实现多任务增强，在方法上创新不多，但是许多思想可以值得借鉴。