一. Motivatetion
跨域效果不好：在已知亮度的数据集上表现良好，在未知亮度的数据集上表现不好，泛化性能较差。
挑战：如何识别和亮度相关的通道并进行选择，并且获得泛化能力
归一化：从给定特征中提取不变的良好的良好特性，特别对于亮度分量
[ 归一化和亮度相关的特性：
1. 亮度一致性： 实例归一化可以确保每个通道的均值接近零，从而有助于提高特征图的亮度一致性。这意味着特征图的不同通道之间不会有很大的亮度差异，有助于模型更好地理解图像的亮度特性。
2. 对比度增强： 实例归一化可以确保每个通道的标准差接近一，从而有助于提高特征图的对比度。这意味着特征图的像素值将更接近归一化的均值，使得特征更加突出，提高了对图像细节的捕捉能力。
但是归一化不可避免的会造成信息丢失]
所以，必须找到和亮度变化敏感的通道进行归一化并保持其他通道不变，增强了泛化能力并保持特征的辨别能力。
信息丢失：
二. Contribution
（1）对于如何识别与亮度相关通道，作者设计了交替训练策略
（2）对于和亮度相关的通道，作者设计了Channel Selection Normalization(CSNorm)
三. Network
1、CSNorm包括两部分（1）Normalization （2）Differential Gating Module
对于Normalization：
- ICCV_Generalized Normalization Generalized Adaptation Lightnessiccv_generalized normalization generalized adaptation iccv_generalized co-alignment generalized adaptation alignment lightness generalized generalized distributed detection qualified normalization normalization标准batch normalization square layer root standardization normalization标准