Low-light
2023ICCV_Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement
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 ......
2023ICLR_Embedding fourier for ultra-high-definition Low-light image enhancement
1. # narrow切片 x1, x2 = (x.narrow(1, 0, self.split_len1), x.narrow(1, self.split_len1, self.split_len2)) 假设输入的张量是x，那么这句代码的作用是将x在第1维（即行数）上分别切割为两个长度分别为se ......
2023CVPR_Learning a Simple Low-light Image Enhancer from Paired Low-light Instances(PairLLE)无监督
一. motivation 以前的大多数LIE算法使用单个输入图像和几个手工制作的先验来调整照明。然而，由于单幅图像信息有限，手工先验的适应性较差，这些解决方案往往无法揭示图像细节。 二. contribution 1. 提出一个成对低光图像输入（相同内容，不同的曝光度） 2. 在输入之前进行了一个 ......
2023CVPR_Learning a Simple Low-light Image Enhancer from Paired Low-light Instances(PairLIE)
1、nn.ReflectionPad2d 对输入图像以最外围像素为对称轴，做四周的轴对称镜像填充。 大佬链接：(14条消息) torch.nn.ReflectionPad2d()的用法简介_nn.reflectionpad2d(1)_啊菜来了的博客-CSDN博客 # 对四周都填充3行 nn.Refl ......
2023AAAI_Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and Transformer-Based Method(LLformer)
一. motivition 1. 之前的数据集分辨率较低 二. contribution 1. 提出两个超高清数据集UHD-4k和UHD-8k 2. 网络结构LLFormer(网络结构类似2022CVPR_Restormer: Effificient Transformer forHigh-Reso ......
2022CVPR_SNR-Aware Low-light Image Enhancement(SNR)
一. motivation 二. contribution 三.Network 1. 对于低光照的图片首先采用公式2获得SNR Map （1） Ig：是低光图片 ：是经过cv.blur进行均值滤波后的图像 （2） 对Ig和Ig' 取得灰度图进行绝对值相减得到噪声N （3）SNR（mask）：均值滤波 ......
2022CVPR_Toward Fast, Flexible, and Robust Low-Light Image Enhancement（SCI_main）
1. motivation （1）低光增强不能处理复杂的场景 （2）需要耗费大量的计算 2.contribution （1）节省计算 （2）发明了自监督的SCI模块（SCI的核心是引入额外的网络模块（自校准照明）来辅助训练，而不是用于测试） 大佬链接：(11条消息) 低照度增强--论文阅读【《Tow ......
2022AAAI_Semantically Contrastive Learning for Low-light Image Enhancement(SCL_LLE)
1. motivation 利用语义对比学习 2. network (1) 输入的是低光图像首先经过图像增强的网络（Zero-DCE), 再将它传入语义分割网络中 （2）语义分割网络用的是DeepLabv3+ ......
2020CVPR_Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement
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 ......