2020 ACCV的一篇论文，感觉有点参考价值。将增强问题作为曝光度调整问题，通过RAW图作为中间媒介，在线性空间下实现调整，在测试的时候，无需Raw图。
之前方法的问题
1.正常图像由于非线性变换的歧义性，可能对应多个低光图像（类似于SR里HR和LR的关系）
2.在RAW图里，亮暗程度是线性相关的，但是RAW图的表示是很难获得的。
论文提出的点
1.将增强问题定义成曝光度调整问题，通过RAW图作为中间媒介，可以在线性空间下通过线性变换实现光照增强，通过网络处理噪声等降质，显然这样在线性空间下处理难度更低
2.在训练时使用RAW图引导亮度调整，在测试时无需RAW图，为此需要一个将RGB转到线性空间下的unprocess网络。
论文的方法
由于RAW图里有曝光度的信息，因此可以用来做label和曝光比率，整体框架如下所示:
1.（a）里black box代表ISP的全过程，下面分支表示传统方法里具体的每个过程，RGNET-I，II，III如下所示：
2.RGNET-I用于将RGB空间转到线性空间下，同时乘上系数用于增强亮度
3.RGNET-II用于去噪，在线性空间下进行去噪显然是要简单一些。
4.RGNET-III用于将线性空间转换到非线性，与正常的RGB图像做损失即可。
5.训练时，送进去的低光照的rgb图，GT是正常光照的rgb图，低光RAW和正常RAW图作为中间监督信号，测试的时候不需要RAW。
结果与思考
看上去效果还可以，见论文
思考：整体思路和CameraNet比较像，RAW图作为中间监督信号解耦增强的不同过程，降低了任务复杂度，应用这种方法降低任务复杂度还是有意义的。