一. Motivation
(1) Retinex理论没有考虑到噪声，并且基于Retinex分解的网络通常需要很多阶段训练。
(2)直接使用从CNN从低光图像到正常光图像的映射忽略了人类的颜色感知，CNN更适合捕获局部信息，对于捕获远程依赖和非局部自相似性方面存在局限。
二.Contribution
(1) 设计了一个阶段的Retinex框架用来分解光照信息
(2)Transformer在捕获非局部有很大的优势，但是直接使用Transformer计算复杂度太高，所以提出了IGA进行更一步的损坏恢复
三.Network
训练分为两个阶段(i) 光照估计------>生成亮度图(在代码中看到依旧是特征)和亮度特征 (ii）修复-------> 使用transformer捕获全局信息进行修复
(i) illumination Estimator阶段
输入是Input Image 
和 Iiilmination Prior 
concat后的一起送入网络
：是沿通道维度计算每个像素的平均值
concat后的首先进入一个1×1卷积，在进入一个5×5卷积（注：网络给的是9×9，但是代码是5×5）输出 Light-up Feature
，再经过一个1×1卷积输出亮度图 Light-up Map
(ii)Corruption Restorer – Illumination-Guided Transformer
输入： 亮度图Lit-up Image与输入Input Image逐元素相乘后再与输入Input Image进行相加后送如Restorer阶段
input_img = img * illu_map + img
output_img = self.denoiser(input_img,illu_fea)
Restorer阶段采用的U-Net结构，其中IGAB是利用transformer设计的网络结构
四. 损失函数
目前只看到LOL数据集用的是L1损失，其他数据集待核实
五. 实验结果
代码中好像只保存了best_psnr的结果（难道是得到最优psnr直接用最优psnr模型计算最优ssim？？？？）
（1）作者提供的代码：目前只跑了LOL-v1数据集结果 best_psnr=23.58
（2）只使用作者的Retinexformer.py 网络架构，best_psnr=23.28(218epoch) , ssim=0.8271(355epoch)
- ICCV_Retinexformer Retinexformer Retinex-based Enhancement Transformericcv_retinexformer retinexformer retinex-based iccv_retinexformer retinex-based retinexformer arxiv_reti-diff retinex-based illumination degradation enhancement 暗光retinexformer iccv 2023 cvpr_zero-reference enhancement estimation reference cvpr_snr-aware enhancement snr low-light aaai_semantically semantically contrastive enhancement