Supervised and Unsupervised Learning of Parameterized Color Enhancement(2020 WACV)
核心思想是提出一个全局增强的方法，优点是保持图像原有的质量，并可以应用到任意的分辨率上，对计算资源的消耗量比较小，且在成对和非成对的数据上都可以达到较好的效果。全局调整参数是通过CNN生成得到的，其分辨率也较小。因此速度较快，全局变换参数是一个3x10的变换矩阵，其与内容相关，监督训练时，网络结构如下所示：
这里使用的loss是在CIELab空间下定义的L2 loss。对于非监督训练，这里使用了类似于cycleGAN的方法，即two-way GAN，不同的是，这里在BN不共享，因为输入数据特性的不一致。此外，还使用了dropout，可以因此避免overfitting。该部分结构如下所示:
CURL: Neural Curve Layers for Global Image Enhancement
华为一篇做画质增强的论文，将画质增强分解在HSV、CIELab和RGB空间下做全局增强，同时在输入使用一个改进版的编解码网络进行预增强。整体pipeline如下所示:
对于预增强网络，这里使用了多尺度处理网络进行处理，如下图所示：
对于线性变换网络，分别在HSV、CIELab和RGB空间下处理，如下图所示:
Flexible Piecewise Curves Estimation for Photo Enhancement
通过设计变换曲线，实现画质增强。对于多种全局变换结果进行融合，最后获得高质量的输出，整体结构如下所示:
其中生成三个参数的网络如下所示，使用的是一个多任务网络：
此外，还对全局调整曲线和训练方法进行了约束，较为复杂，详细见论文。