刚挂在arxiv上的论文，主要思想是先模拟低光图像降质过程，再对去除降质因素的结果进行refine，同时降质过程可以帮助生成更多仿真图片，从而进行数据增广。
之前方法的问题
1.对于数据量需求太大，对训练方法和结构要求太高，从而忽略了降质本身的过程
2.简单的减去降质因素（例如MIRNet）和调整光照图（例如RetinexNet和DeepUPE）都不能很好的对降质过程描述
论文提出的点
1.通过DeG网络，学习输入低光照图像的降质过程，同时学习降质过程可以apply到其他高质量图像上，从而实现数据增广。
2.通过ReG网络，可以进行refine
3.整体框架是一个两阶段的方法，借助GAN进行训练，将DeG和ReG进行联合训练。
论文的方法
论文方法结构图如下所示：
1.对于DeG网络，这里对真实低光图像和仿真低光图像使用判别器做约束，对于它们的输出也就是降质也是使用判别器去做约束，以及施加KL散度作为loss。可以看出，这里没有GT去做约束，仅仅依靠仿真与真实进行训练，以得到分布一致性
2.对于ReG网络，输入是前面去掉降质成分后的结果，损失函数使用Charboniess和SSIM loss。
3.对于数据增广，这里是将图像从正常图像转换到低光域，借助GAN进行仿真生成结果和真实低光图进行约束
4.网络骨架采用多分辨率融合网络，如下所示：
结果和思考
结果看上去非常不错，增益可能来源于数据增广更多一些，毕竟用了额外的增广数据，感觉利用真实图像去约束产生更多的仿真数据，增加数据多样性，这点可以借鉴到许多工作里。