1. motivation
收到图像编辑软件的启发
2. Contribution
（1）无监督
（2）设计图像高阶曲线适应适合像素级映射，通过迭代自身
（3）设计了四个无参考损失函数
3. Network
3.1 DCE-Net
DCE-Net： 是由6个Conv2D（3x3）+ relu，分别输出为x1，x2, x3, x4, x5, x6，最后的卷积由Conv2d(3x3)+tan激活函数组成，因为要分为8个调整参数，所以最后的输出channel=24
之后进高阶曲线调整
3.2 LE（Light-Enhancement Curve）
设计的高阶曲线必须满足的条件：（1）每个像素归一化（0,1） （2）像素应该单调，这样可以保持和附近像素的差异（对比度） （3）简单、可微（以为需要反向传播）
需要n次迭代（代码中迭代了8次）：
α设置为像素级参数调整
4. Loss
4.1 L-spa ：空间一致性损失
i 代表像素， Ω代表区域（上下左右），K代表区域总数（4）
代码对于Yi - Yj 左是用二维卷积操作中卷积核实现：
kernel_left = torch.FloatTensor([[0, 0, 0], [-1, 1, 0], [0, 0, 0]]).cuda().unsqueeze(0).unsqueeze(0)
代码实现：
（1） 首先计算low和enhanced后图片按照dim=1，计算通道均值并保持维度一致
（2） 采用了一个二维平均池化nn.AvgPool2d(4)，得到org_pool，enhance_pool
（3） 利用二维卷积操作F.conv2d分别计算Yi - Yj （=a） 、Ii - Ij（=b） 的上下左右
（4） 按照上下左右计算a - b 再平方
（5）对（4）累加
4.2 L-exp： 曝光控制损失
E：代表平均曝光水平，作者在代码中E=0.6，但是论文中提到其实E取【0.4,0.7】没有区别
M：表示大小为16×16的非重叠局部区域的数量
代码实现：
（1） 对于enhanced， 首先按照dim=1 取得每个通道的均值x
（2） 对于（1）进行了一个二维平均池化nn.AvgPool2d(16)得到mean，卷积核设置的是16（我猜测因为图片大小256,这样得到一个四维的值[[[[x]]]]）
（3） mean - E 平方后取平均
4.3 L-col： 颜色一致性损失
Jp表示增强图像中p通道的平均强度值，(p,q)表示一对通道
代码实现：
（1） 先按照dim[2,3] 得到每个通道的均值mean_rgb
（2） 按照dim=1采用torch.split，分离三个通道得到mr, mg, mb
（3） 分别计算两个通道之间的差值进行平方，得到Drg，Drb， Dgb
（4）计算一个彩色差 k，通过组合Drg、Drb 和 Dgb 各自的平方和，再求开根号即可
4.4 L-tv： 光照平滑损失 ： 是对进行高阶曲线像素映射系数进行计算Loss
N为迭代次数，∇x和∇y分别表示水平和垂直梯度操作。
- CVPR_Zero-Reference Enhancement Estimation Reference Low-Lightcvpr_zero-reference enhancement estimation reference cvpr_snr-aware enhancement snr low-light cvpr_toward enhancement low-light flexible cvpr_zero-reference low-light low-light light cvpr_learning instances estimation enhancement estimation geolayout geometry driven estimation density using real